Aan de slagBegin gratis

AutoClasses gebruiken

Je hebt gezien hoe tokenizers werken en welke rol ze spelen bij het voorbereiden van tekst voor modellen. Laten we nu een stap verder gaan door AutoModels en AutoTokenizers te combineren met de functie pipeline(). Dat biedt een fijne balans tussen controle en gemak.

Ga door met de taak sentimentanalyse en combineer AutoClasses met de pipeline-module.

AutoModelForSequenceClassification, AutoTokenizer en pipeline uit de transformers-bibliotheek zijn al voor je geïmporteerd.

Deze oefening maakt deel uit van de cursus

Werken met Hugging Face

Bekijk cursus

Oefeninstructies

  • Download het model en de tokenizer en sla ze respectievelijk op als my_model en my_tokenizer.
  • Maak de pipeline en sla deze op als my_pipeline.
  • Voorspel de output met my_pipeline en sla deze op als output.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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']}")
Code bewerken en uitvoeren