【Hugging Face】Hugging Face模型的基本使用

前言

前面我们了解了Hugging Face Space空间和 DataSets数据集的基本使用方式，今天我们继续探索Hugging Face Models的基本使用方式。对往期内容感兴趣的小伙伴也可以看往期：

模型使用方式

使用Hugging Face模型有两种方式，一种是通过 Hugging Face提供的 huggingface_hub，一种是通过Hugging Face提供的 transformers 和 diffusers

huggingface_hub：由Hugging Face统一封装调用，需要提供Hugging Face API Key
transformers 和 diffusers：
- transformers：Hugging Face提供的专注自然语言处理（NLP）及多模态任务，如文本生成、翻译、分类、问答等，无需提供Hugging Face API Key
- diffusers：Hugging Face提供的专注扩散模型（Diffusion Models），用于图像、音频、视频、3D 等生成任务，无需提供Hugging Face API Key

通过huggingface_hub使用

由于个人电脑配置有限，我这里在Google的Colab上使用，在本地使用步骤也是类似的，对Google Colab还不了解的小伙伴可以看往期：
初识Google Colab

Qwen3-0.6B文本生成

以Qwen3-0.6B模型为例，进入模型详情

点击【View Code Snippets】查看接入代码

在Colab上新建Colab Notebooks，输入代码

ini 复制代码

import os
from huggingface_hub import InferenceClient
# Set the environment variable for the current process
os.environ['HF_TOKEN'] = "your hugging face api key"
client = InferenceClient(
    provider="featherless-ai",
    api_key=os.environ["HF_TOKEN"],
)
completion = client.chat.completions.create(
    model="Qwen/Qwen3-0.6B",
    messages=[
        {
            "role": "user",
            "content": "What is the capital of France?"
        }
    ],
)
print(completion.choices[0].message.content)

点击左侧运行，输出结果如下

这里是英文的，我们也可以AI输出中文结果，稍微改动一下提示词

ini 复制代码

import os
from huggingface_hub import InferenceClient
# Set the environment variable for the current process
os.environ['HF_TOKEN'] = "your hugging face api key"
client = InferenceClient(
    provider="featherless-ai",
    api_key=os.environ["HF_TOKEN"],
)
completion = client.chat.completions.create(
    model="Qwen/Qwen3-0.6B",
    messages=[
        {
            "role": "user",
            "content": "默认使用中文回复"
        },
        {
            "role": "user",
            "content": "What is the capital of France?"
        }
    ],
)
print(completion.choices[0].message.content)

此时AI就会以中文回复了

FLUX.1-dev绘图

进入FLUX.1-dev模型详情

点击【View Code Snippets】查看接入代码

在Colab文档上新建一个代码块，输入以下代码

ini 复制代码

import os
from huggingface_hub import InferenceClient
from IPython.display import display
os.environ['HF_TOKEN'] = "your api key"
client = InferenceClient(
    provider="nebius",
    api_key=os.environ["HF_TOKEN"],
)
# output is a PIL.Image object
image = client.text_to_image(
    "Astronaut riding a horse",
    model="black-forest-labs/FLUX.1-dev",
)
# 展示图片
display(image)

点击运行，执行结束后，我们将得到一张图片

通过transformers和diffusers使用

transformers 和 diffusers 是Hugging Face提供的两个重要Python库，使用较为复杂，这里只做模型的简单使用，不深入了解。

情感分析

以distilbert-base-uncased-finetuned-sst-2-english模型为例，进入distilbert-base-uncased-finetuned-sst-2-english模型详情，复制模型名称

在Colab中创建代码块，添加如下代码

ini 复制代码

from transformers import pipeline

# huggingface远程模型名
model_name = "distilbert-base-uncased-finetuned-sst-2-english"
# 创建管道
classifier = pipeline("sentiment-analysis", model=model_name)
# 进行情感分析
result = classifier("I hate you")[0]
print(result)
result = classifier("I love you")[0]
print(result)

点击左侧运行，输出结果如下

sdxl-turbo绘图

Diffusers库，这里以stabilityai/sdxl-turbo模型为例，进入stabilityai/sdxl-turbo模型详情，复制模型名称

在Colab中创建代码块，添加如下代码

ini 复制代码

from diffusers import DiffusionPipeline
import torch
if torch.cuda.is_available():
    device = "cuda"
    torch_dtype = torch.float16
else:
    device = "cpu"
    torch_dtype = torch.float32
pipe = DiffusionPipeline.from_pretrained("stabilityai/sdxl-turbo", torch_dtype=torch_dtype)
pipe.to(device)
image = pipe(
    prompt="Astronaut riding a horse",
    negative_prompt="low quality, bad quality, loss body", # 反向提示词
    num_inference_steps=1, # 步长
    guidance_scale=0.0, # 引导系数
    width=512,
    height=512
).images[0]
display(image)

等待执行，执行完成后，可以看到生成图片的效果如下：

参考

blog.csdn.net/u010295555/...

友情提示

见原文：【Hugging Face】Hugging Face模型的基本使用

本文同步自微信公众号 "程序员小溪" ，这里只是同步，想看及时消息请移步我的公众号，不定时更新我的学习经验。