Mulai sekarangMulai gratis

Menggunakan AutoClasses

Anda telah melihat cara kerja tokenizer dan mengeksplorasi perannya dalam menyiapkan teks untuk model. Sekarang, mari melangkah lebih jauh dengan menggabungkan AutoModels dan AutoTokenizers dengan fungsi pipeline(). Ini memberikan keseimbangan yang baik antara kendali dan kemudahan.

Lanjutkan dengan tugas analisis sentimen dan gabungkan AutoClasses dengan modul pipeline.

AutoModelForSequenceClassification, AutoTokenizer, dan pipeline dari pustaka transformers telah diimpor untuk Anda.

Latihan ini merupakan bagian dari kursus

Bekerja dengan Hugging Face

Lihat Kursus

Instruksi latihan

  • Unduh model dan tokenizer lalu simpan masing-masing sebagai my_model dan my_tokenizer.
  • Buat pipeline dan simpan sebagai my_pipeline.
  • Prediksi keluaran menggunakan my_pipeline dan simpan sebagai output.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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']}")
Edit dan Jalankan Kode