Використання AutoClasses

Ви вже бачили, як працюють токенайзери, і дослідили їхню роль у підготовці тексту для моделей. Тепер зробімо крок далі: поєднаємо AutoModels і AutoTokenizers із функцією pipeline(). Це вдалий баланс між контролем і зручністю.

Продовжте завдання з аналізу тональності та поєднайте AutoClasses із модулем pipeline.

AutoModelForSequenceClassification, AutoTokenizer і pipeline з бібліотеки transformers уже імпортовано для вас.

Ця вправа є частиною курсу

Робота з Hugging Face

Переглянути курс

Інструкції до вправи

Завантажте модель і токенайзер та збережіть їх як my_model і my_tokenizer відповідно.
Створіть конвеєр і збережіть його як my_pipeline.
Зробіть прогноз за допомогою my_pipeline і збережіть його як output.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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']}")

Редагувати та запускати код