🤗 1. 介绍
Transformers提供了很多在
文本、视觉和音频上的数以千计的训练模型。Transformers由三个流行的深度学习库(Jax, PyTorch, TensorFlow)提供支持的预训练先进模型库了，用于自然语言处理（文本），计算机视觉（图像）、音频和语音处理。
文本类
文本分类、信息提取、你问我答、摘要、翻译和文本生成等等，支持多种语言。
图像
图像分类、对象检测和分割等等。
音频
语音识别、音频分类等等。
结合模型
表格问答、光学字符识别、扫描文档提取信息、视频分类、视觉回答。
🤗 2. 安装
查看python版本
python -V
使用安装两个Python库，分别是
transformers和datasets
!pip install transformers datasets // !感叹符号表示在某些继承开发环境中 运行命令。也可以去掉。
transformers是一个用于自然语言处理（NLP）任务，如文本分类、命名实体识别，机器翻译等，提供了预训练的语言模型（如BERT、GPT）同时用于模型训练、评估和推理的工具和API的Python库。
datasets是一个用来访问和处理各种NLP（Natural Language Processing）数据集的Python库，它提供了一个统一的接口，可以轻松地下载、加载，以及预处理各种常见的NLP数据集。
安装深度学习库 Pytorch 和 TensorFlow
pip install torch
pip install tensorflowtorch是一个广泛使用的深度学习框架，提供了用于构建和训练各种神经网络模型的工具和API，主要特点是动态计算图和易于使用的API。非常强大的学习框架工具。
tensorflow也是一个深度学习框架，由google开发的。用来构建和训练各种机器学习和深度学习的模型。
安装完成后，使用
pip list查看开发环境第三方库上是否已经存在以上提到的几个库。
🤗 3. 使用
pipeline 管道
pipeline()的作用就是，跨不同模式使用。
| 类型 | 任务 | 描述 | 标识符 |
|---|---|---|---|
NLP（语言文本类） |
情绪分析 | 分析一段文本是正能量和负能量 | pipeline(task="sentiment-analysis") |
NLP（语言文本类） |
生成文本 | 根据一段提示生成文本 | pipeline(task="text-generation") |
NLP（语言文本类） |
生成摘要 | 生成文档或文本的摘要 | pipeline(task="ummarization") |
视觉图像类 |
图像分类 | 给出一张图罗列出图片中物品 | pipeline(task="image-segmentation") |
视觉图像类 |
对象检测 | 预测照片中对象的位置和类目 | pipeline(task="object-detection") |
视觉图像类 |
图片转标题 | 为给定图像生成标题 | pipeline(task="image-to-text") |
音频类 |
音频分类 | 给音频场景分类 | pipeline(task="audio-classification") |
音频分类 |
音频转字幕 | 音频素材转字幕 | pipeline(task="automatic-speech-recognition") |
终端测试
情绪分析
打开Terminal终端:
输入python，进入python环境，
然后创建一个pipeline()实例:
python
>>> from transformers import pipeline
>>> classifier = pipeline("sentiment-analysis")
接着输入我们想要分析的文本即可:
单文本
多文本
传数组，然后遍历输出结果
目标检测
大家可以自行去模型中心去看看去测试一番，接下来介绍的是DETR进行目标检测。在这个模型当中，我们可以得到照片图像中检测到的对象预测列表，里面包含着物品名称和位置以及可信度。
html
css
js
效果
🤗 4. 写在末尾
Hugging Face 上的Transformers有很多实现，这里就不一一举例了，其中包括一些pipeline工具的任务处理，以及构建trainer微调预训练模型，感兴趣的小伙伴可以自行去官网查看一些案例。AI在我们生活方方面面都有非常多的应用，人工智能正在也一直会深度参与世界的发展跟走向...
☎️ 希望对大家有所帮助，如有错误，望不吝赐教，欢迎评论区留言互相学习。感谢阅读！