使用 AutoClasses
你已經了解 tokenizer 的運作方式，並探索它在為模型準備文字資料時所扮演的角色。現在更進一步，把 AutoModels 和 AutoTokenizers 與 pipeline() 函式結合。這能在可控性與便利性之間取得良好平衡。
延續情感分析任務，將 AutoClasses 與 pipeline 模組結合使用。
transformers 函式庫中的 AutoModelForSequenceClassification、AutoTokenizer 與 pipeline 已經替你匯入。
本練習屬於課程
善用 Hugging Face
練習說明
- 下載模型與 tokenizer，並分別存為
my_model與my_tokenizer。 - 建立 pipeline，並存為
my_pipeline。 - 使用
my_pipeline進行預測，並存為output。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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']}")