Zacznij terazZacznij za darmo

Korzystanie z AutoClasses

Wiesz już, jak działają tokenizery, i poznałeś ich rolę w przygotowywaniu tekstu dla modeli. Teraz pójdźmy o krok dalej – połącz AutoModels i AutoTokenizers z funkcją pipeline(). To wygodne rozwiązanie, które daje jednocześnie większą kontrolę nad procesem.

Kontynuuj zadanie analizy sentymentu i połącz AutoClasses z modułem pipeline.

AutoModelForSequenceClassification, AutoTokenizer oraz pipeline z biblioteki transformers zostały już zaimportowane.

To ćwiczenie jest częścią kursu

Praca z Hugging Face

Zobacz kurs

Instrukcje do ćwiczenia

  • Pobierz model i tokenizer, a następnie zapisz je odpowiednio jako my_model i my_tokenizer.
  • Utwórz potok i zapisz go jako my_pipeline.
  • Uzyskaj wynik za pomocą my_pipeline i zapisz go jako output.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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']}")
Edytuj i uruchom kod