import os
os.environ'HF_ENDPOINT' = 'https://hf-mirror.com'
import torch
from transformers import pipeline
pipe = pipeline("fill-mask", model="google-bert/bert-base-chinese")
from transformers import AutoTokenizer, AutoModelForMaskedLM
tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-chinese")
model = AutoModelForMaskedLM.from_pretrained("google-bert/bert-base-chinese")
input_text='bert-base-chinese该怎么用?'
inx_text=tokenizer.encode(input_text)
inv_text=tokenizer.convert_ids_to_tokens(inx_text)
with torch.no_grad():
output=model(torch.tensor(inx_text))
print(type(output))
last_hidden=output'logits'
print(last_hidden.shape,last_hidden0)# (1,9,21128)(batch_size,seq_len,d_model)
from transformers import AutoModelForQuestionAnswering
aq=AutoModelForQuestionAnswering.from_pretrained("google-bert/bert-base-chinese")
定义问题和上下文
question = "你好，请问今天天气怎么样？"
context = "今天是晴天，气温适中，非常适合户外活动。"
使用分词器对问题和上下文进行编码
inputs = tokenizer(question, context, return_tensors='pt', \
padding=True, truncation=True)
input_ids = inputs'input_ids'
attention_mask = inputs'attention_mask'
在Transformers库中，模型并不是通过数字本身来识别分割符的，
而是通过分词器（Tokenizer）对输入文本的处理来识别这些特殊标记。
在不计算梯度的情况下进行推理
with torch.no_grad():
aq_outputs =aq(input_ids, attention_mask=attention_mask)
start_inxes=aq_outputs'start_logits'0
end_inxes=aq_outputs'end_logits'0
print(len(start_inxes),len(end_inxes))
start=torch.argmax(start_inxes)
end=torch.argmax(end_inxes)
(question+context)start:end