Sử dụng AutoClasses
Bạn đã thấy cách tokenizer hoạt động và vai trò của chúng trong việc chuẩn bị văn bản cho model. Giờ hãy tiến thêm một bước bằng cách kết hợp AutoModels và AutoTokenizers với hàm pipeline(). Cách này cân bằng tốt giữa kiểm soát và tiện lợi.
Tiếp tục với tác vụ phân tích cảm xúc và kết hợp AutoClasses với module pipeline.
AutoModelForSequenceClassification, AutoTokenizer và pipeline từ thư viện transformers đã được nhập sẵn cho bạn.
Bài tập này là một phần của khóa học
Làm việc với Hugging Face
Hướng dẫn bài tập
- Tải model và tokenizer rồi lưu lần lượt thành
my_modelvàmy_tokenizer. - Tạo pipeline và lưu thành
my_pipeline. - Dự đoán kết quả bằng
my_pipelinevà lưu vàooutput.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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']}")