BaşlayınÜcretsiz Başlayın

AutoClasses Kullanımı

Tokenizer'ların nasıl çalıştığını ve metni modellere hazırlamadaki rollerini gördün. Şimdi bir adım daha ileri gidip AutoModel ve AutoTokenizer'ları pipeline() fonksiyonuyla birleştirelim. Bu, kontrol ve pratiklik arasında güzel bir denge sağlar.

Duygu analizi görevine devam et ve AutoClass'ları pipeline modülüyle birleştir.

transformers kütüphanesinden AutoModelForSequenceClassification, AutoTokenizer ve pipeline senin için zaten içe aktarıldı.

Bu egzersiz

Hugging Face ile Çalışmak

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Modeli ve tokenizer'ı indir ve sırasıyla my_model ve my_tokenizer olarak kaydet.
  • Pipeline'ı oluştur ve my_pipeline olarak kaydet.
  • my_pipeline kullanarak tahmin yap ve sonucu output olarak kaydet.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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']}")
Kodu Düzenle ve Çalıştır