IniziaInizia gratis

Uso delle AutoClasses

Hai visto come funzionano i tokenizer ed esplorato il loro ruolo nella preparazione del testo per i modelli. Ora facciamo un passo avanti combinando AutoModels e AutoTokenizers con la funzione pipeline(). È un buon equilibrio tra controllo e praticità.

Continua con il task di sentiment analysis e combina le AutoClasses con il modulo pipeline.

AutoModelForSequenceClassification, AutoTokenizer e pipeline dalla libreria transformers sono già stati importati per te.

Questo esercizio fa parte del corso

Lavorare con Hugging Face

Visualizza il corso

Istruzioni dell'esercizio

  • Scarica il modello e il tokenizer e salvali rispettivamente come my_model e my_tokenizer.
  • Crea la pipeline e salvala come my_pipeline.
  • Predici il risultato usando my_pipeline e salvalo come output.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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']}")
Modifica ed esegui il codice