数据迁移
PyTorch和 Transformers 是不同层面的工具，核心区别如下：
-
PyTorch：是一个深度学习框架，类似"建造房子的工具箱"，提供张量计算、神经网络搭建、模型训练等基础功能，是实现AI模型的底层工具
-
Transformers：是一个预训练模型库（由Hugging Face开发），类似"已经造好的房屋模块"，基于PyTorch/TensorFlow等框架，封装了BERT、GPT等主流预训练模型，能直接用于文本生成、翻译等任务，无需从零造模型。
- 用PyTorch可以"从零造模型"
- 而用Transformers能"直接用现成的高级模型"
- 且后者依赖前者（或其他框架）才能运行。
用一个具体场景（比如文本分类）演示两者的实际用法差异吗？这样能更直观理解它们的配合关系
以"文本分类"（比如判断一句话是正面还是负面评价）为例，通过代码核心逻辑对比两者用法，不涉及复杂细节：
- 用PyTorch实现（从零搭模型）
需手动定义网络结构、处理数据，步骤繁琐：
import torch
import torch.nn as nn
1. 手动定义简单神经网络（自己造"房屋框架"）
class SimpleNet(nn.Module):
def init(self):
super().init()
self.fc1 = nn.Linear(512, 256) # 全连接层1
self.fc2 = nn.Linear(256, 2) # 输出层（2类：正/负）
def forward(self, x):
x = torch.relu(self.fc1(x))
return self.fc2(x)
2. 手动加载、处理数据（自己准备"建材"）
（此处省略几百行：文本转向量、划分训练/测试集、构建数据加载器...）
3. 初始化模型、训练（自己动手"盖房子"）
model = SimpleNet()
optimizer = torch.optim.Adam(model.parameters())
（再省略几百行：循环训练、计算损失、反向传播...）
- 用Transformers实现（直接用现成模型）
无需定义网络，调用封装好的预训练模型，几行搞定核心逻辑：
from transformers import BertTokenizer, BertForSequenceClassification
1. 加载现成的预训练模型和分词器（直接拿"现成房屋模块"）
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') # 文本转模型能懂的格式
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2) # 自带分类头
2. 处理数据（工具帮你做，无需手动写）
text = "这个产品超好用！"
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
3. 直接推理（不用训练也能跑，或少量微调）
with torch.no_grad():
outputs = model(**inputs)
predictions = torch.argmax(outputs.logits, dim=1) # 直接得到分类结果（正/负）
核心差异很明显：
- PyTorch需要"从0到1造轮子"
- Transformers则是"直接用调好的轮子跑"