Usando AutoClasses
Você viu como os tokenizadores funcionam e explorou a função deles na preparação de texto para modelos. Agora, vamos dar um passo adiante, combinando AutoModels e AutoTokenizers com a função pipeline(). É um bom equilíbrio entre controle e conveniência.
Continue com a tarefa de análise de sentimentos e combine AutoClasses com o módulo de pipeline.
AutoModelForSequenceClassification``AutoTokenizer e pipeline da biblioteca transformers já foram importados para você.
Este exercício faz parte do curso
Trabalhando com o Hugging Face
Instruções do exercício
- Faça o download do modelo e do tokenizador e salve-os como
my_modelemy_tokenizer, respectivamente. - Crie o pipeline e salve-o como
my_pipeline. - Preveja a saída usando
my_pipelinee salve comooutput.
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']}")