Använda AutoClasses
Du har sett hur tokeniserare fungerar och utforskat deras roll när det gäller att förbereda text för modeller. Nu tar vi det ett steg längre genom att kombinera AutoModels och AutoTokenizers med funktionen pipeline(). Det ger en bra balans mellan kontroll och enkelhet.
Fortsätt med sentimentanalysuppgiften och kombinera AutoClasses med pipeline-modulen.
AutoModelForSequenceClassification, AutoTokenizer och pipeline från biblioteket transformers har redan importerats åt dig.
Den här övningen är en del av kursen
Arbeta med Hugging Face
Övningsinstruktioner
- Ladda ned modellen och tokeniseraren och spara dem som
my_modelrespektivemy_tokenizer. - Skapa pipelinen och spara den som
my_pipeline. - Gör en förutsägelse med
my_pipelineoch spara resultatet somoutput.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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']}")