ComeçarComece de graça

Usando AutoClasses

Você já viu como os tokenizadores funcionam e explorou o papel deles na preparação de textos para modelos. Agora, vamos dar um passo adiante combinando AutoModels e AutoTokenizers com a função pipeline(). É um equilíbrio legal entre controle e praticidade.

Continue com a tarefa de análise de sentimentos e junte o AutoClasses com o módulo pipeline.

AutoModelForSequenceClassification, AutoTokenizer e pipeline da biblioteca transformers já foram importados pra você.

Este exercício faz parte do curso

Trabalhando com o Hugging Face

Ver curso

Instruções do exercício

  • Baixe o modelo e o tokenizador e salve como “ my_model ” e “ my_tokenizer ”, respectivamente.
  • Crie o pipeline e salve como “ my_pipeline ”.
  • Preveja o resultado usando my_pipeline e salve como output.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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']}")
Editar e executar o código