ÎncepețiÎncepe gratuit

Utilizarea AutoClasses

Ai văzut cum funcționează tokenizer-ele și ai explorat rolul lor în pregătirea textului pentru modele. Acum, hai să mergem un pas mai departe, combinând AutoModels și AutoTokenizers cu funcția pipeline(). Este un echilibru reușit între control și simplitate.

Continuă cu sarcina de analiză a sentimentelor și combină AutoClasses cu modulul pipeline.

AutoModelForSequenceClassification, AutoTokenizer și pipeline din biblioteca transformers au fost deja importate pentru tine.

Acest exercițiu face parte din cursul

Lucrul cu Hugging Face

Vezi cursul

Instrucțiuni pentru exercițiu

  • Descarcă modelul și tokenizer-ul și salvează-le ca my_model, respectiv my_tokenizer.
  • Creează pipeline-ul și salvează-l ca my_pipeline.
  • Generează predicția folosind my_pipeline și salvează rezultatul ca output.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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']}")
Editează și rulează codul