來源：Deephub Imba

主要包括Pipeline, Datasets, Metrics, and AutoClasses

HuggingFace是一個(gè)非常流行的 NLP 庫。本文包含其主要類和函數(shù)的概述以及一些代碼示例?？梢宰鳛樵搸斓囊粋€(gè)入門教程 。
Hugging Face 是一個(gè)開源庫，用于構(gòu)建、訓(xùn)練和部署最先進(jìn)的 NLP 模型。Hugging Face 提供了兩個(gè)主要的庫，用于模型的transformers 和用于數(shù)據(jù)集的datasets ?？梢灾苯邮褂?pip 安裝它們。

pip install transformers datasets

使用transformers庫中的Pipeline是開始試驗(yàn)的最快和最簡單的方法：通過向Pipeline對象提供任務(wù)名稱，然后從 Hugging Face 模型存儲(chǔ)庫中自動(dòng)下載合適的模型，然后就可以使用了！
transformers庫中已經(jīng)提供了以下的幾個(gè)任務(wù)，例如：

• 文本分類
• 問答
• 翻譯
• 文本摘要
• 文本生成

除此以外還有計(jì)算機(jī)視覺和音頻任務(wù)（主要也是基于transformer的）下面是一個(gè)情緒分析任務(wù)的例子。為了預(yù)測句子的情緒，只需將句子傳遞給模型。

from transformers import pipeline

classifier = pipeline("sentiment-analysis")

results = classifier("I'm so happy today!")
print(f"{results[0]['label']} with score {results[0]['score']}")
# POSITIVE with score 0.9998742341995239

模型的輸出是一個(gè)字典列表，其中每個(gè)字典都有一個(gè)標(biāo)簽（對于這個(gè)特定示例，值為“POSITIVE”或“NEGATIVE”）和一個(gè)分?jǐn)?shù)（即預(yù)測標(biāo)簽的分?jǐn)?shù)）。
可以為分類器提供多個(gè)句子，并在一個(gè)函數(shù)調(diào)用中獲得所有結(jié)果。

results = classifier(["I'm so happy today!", "I hope you don't hate him..."])
for result in results:
  print(f"{result['label']} with score {result['score']}")
# POSITIVE with score 0.9998742341995239
# NEGATIVE with score 0.6760789155960083

也可以通過設(shè)置模型名稱的參數(shù)指定要使用的模型，所有的模型和關(guān)于模型的信息都在官方文檔中提供了,例如下面代碼使用的是twitter-roberta-base-sentiment

classifier = pipeline("sentiment-analysis",
                    model="cardiffnlp/twitter-roberta-base-sentiment",
                    tokenizer="cardiffnlp/twitter-roberta-base-sentiment")
# three possible outputs:
# LABEL_0 -> negative
# LABEL_1 -> neutral
# LABEL_2 -> positive

results = classifier(["We are very happy to show you the 
				
*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀點(diǎn)，如有侵權(quán)請聯(lián)系工作人員刪除。