CommencezCommencez gratuitement

Utiliser les AutoClasses

Vous avez vu comment fonctionnent les tokenizers et leur rôle dans la préparation des textes pour les modèles. Maintenant, allons un peu plus loin en combinant les AutoModels et les AutoTokenizers avec la fonction pipeline(). C'est un bon équilibre entre contrôle et simplicité.

Poursuivez avec la tâche d'analyse de sentiment et combinez les AutoClasses avec le module pipeline.

AutoModelForSequenceClassification, AutoTokenizer et pipeline de la bibliothèque transformers ont déjà été importés pour vous.

Cette activité fait partie du cours

Travailler avec Hugging Face

Voir le cours

Instructions de l’exercice

  • Téléchargez le modèle et le tokenizer et enregistrez-les respectivement sous my_model et my_tokenizer.
  • Créez le pipeline et enregistrez-le sous my_pipeline.
  • Prédisez le résultat à l'aide de my_pipeline et enregistrez-le sous output.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Download the model and tokenizer
my_model = ____.from_pretrained("distilbert-base-uncased-finetuned-sst-2-english")
my_tokenizer = ____.from_pretrained("distilbert-base-uncased-finetuned-sst-2-english")

# Create the pipeline
my_pipeline = pipeline(task="sentiment-analysis", ____=____, ____=____)

# Predict the sentiment
output = ____("This course is pretty good, I guess.")
print(f"Sentiment using AutoClasses: {output[0]['label']}")
Modifier et exécuter le code