使用 AutoClasses
您已经了解了分词器的工作方式，并了解了它们在为模型准备文本时的作用。现在更进一步，将 AutoModels 和 AutoTokenizers 与 pipeline() 函数结合使用。这种做法在可控性与易用性之间取得了良好平衡。
继续进行情感分析任务，把 AutoClasses 与 pipeline 模块结合起来。
来自 transformers 库的 AutoModelForSequenceClassification、AutoTokenizer 和 pipeline 已为您导入。
本练习是课程的一部分
使用 Hugging Face
练习说明
- 下载模型和分词器，并分别保存为
my_model和my_tokenizer。 - 创建管道并保存为
my_pipeline。 - 使用
my_pipeline进行预测，并将结果保存为output。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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']}")