동적 범주 할당
동적 범주 할당은 모델이 사전에 해당 범주로 학습되지 않았더라도, 미리 정의된 범주에 텍스트를 분류할 수 있게 해요.
Hugging Face의 zero-shot-classification 작업을 위한 pipeline()을 사용해, 텍스트와 미리 정의한 범주를 제공하여 가장 잘 맞는 범주를 찾으세요.
이미 로드된 뉴스 헤드라인인 입력 text의 라벨을 예측할 분류기를 만들어 보세요.
편의를 위해 transformers 라이브러리의 pipelines가 미리 로드되어 있어요.
참고: 모델을 다운로드하지 않고도 이러한 함수 사용법을 익힐 수 있도록, 맞춤형 파이프라인 버전을 사용하고 있어요.
이 연습은 강의의 일부입니다
Hugging Face 활용하기
연습 안내
- 파이프라인을 구성하고
classifier로 저장하세요. - 라벨 목록
"politics","science","sports"를 만들고categories로 저장하세요. - 미리 정의한 범주와 분류기를 사용해
text의 라벨을 예측하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
text = "AI-powered robots assist in complex brain surgeries with precision."
# Create the pipeline
____ = pipeline(____="zero-shot-classification", ____="facebook/bart-large-mnli")
# Create the categories list
categories = ["politics", "____", "____"]
# Predict the output
output = ____(____, ____)
# Print the top label and its score
print(f"Top Label: {output['labels'][0]} with score: {output['scores'][0]}")