การใช้งาน AutoClasses

เราได้เรียนรู้วิธีการทำงานของ tokenizer และบทบาทในการเตรียมข้อความสำหรับโมเดลไปแล้ว คราวนี้มาต่อยอดด้วยการนำ AutoModels และ AutoTokenizers มาใช้ร่วมกับฟังก์ชัน pipeline() ซึ่งเป็นการผสมผสานระหว่างความยืดหยุ่นและความสะดวกได้อย่างลงตัว

ให้ทำงานวิเคราะห์ความรู้สึกต่อจากเดิม โดยรวม AutoClasses เข้ากับโมดูล pipeline

AutoModelForSequenceClassification, AutoTokenizer และ pipeline จากไลบรารี transformers ได้ถูก import ไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การใช้งาน Hugging Face

ดูคอร์ส

คำแนะนำการฝึกหัด

ดาวน์โหลดโมเดลและ tokenizer แล้วบันทึกเป็น my_model และ my_tokenizer ตามลำดับ
สร้าง pipeline แล้วบันทึกเป็น my_pipeline
ทำนายผลลัพธ์โดยใช้ my_pipeline แล้วบันทึกเป็น output

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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']}")

แก้ไขและรันโค้ด