Dynamisk kategoritilldelning
Dynamisk kategoritilldelning gör det möjligt för en modell att klassificera text i fördefinierade kategorier, även utan tidigare träning för dessa kategorier.
Använd Hugging Face:s pipeline() för uppgiften zero-shot-classification – ange texten och de fördefinierade kategorierna för att hitta den bästa matchningen.
Bygg en klassificerare som förutsäger etiketten för indata-text, vilket är en nyhetsrubrik som redan är inläst åt dig.
pipelines från biblioteket transformers är förinstallerat för din skull.
Obs! Vi använder en anpassad version av pipeline för att hjälpa dig lära dig hur dessa funktioner används, utan att du behöver ladda ned modellen.
Den här övningen är en del av kursen
Arbeta med Hugging Face
Övningsinstruktioner
- Bygg pipelinen och spara den som
classifier. - Skapa en lista med etiketterna –
"politics","science","sports"– och spara den somcategories. - Förutsäg etiketten för
textmed hjälp av klassificeraren och de fördefinierade kategorierna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
text = "AI-powered robots assist in complex brain surgeries with precision."
# Create the pipeline
____ = pipeline(____="zero-shot-classification", ____="facebook/bart-large-mnli")
# Create the categories list
categories = ["politics", "____", "____"]
# Predict the output
output = ____(____, ____)
# Print the top label and its score
print(f"Top Label: {output['labels'][0]} with score: {output['scores'][0]}")