外贸营销网站建设公司排名/自己建站的网站

知识的搬运工又来啦

☆*: .｡. o(≧▽≦)o .｡.:*☆ 

【传送门==>原文链接:】https://huggingface.co/docs/transformers/autoclass_tutorial

 🚗🚓🚕🛺🚙🛻🚌🚐🚎🚑🚒🚚🚛🚜🚘🚔🚖🚍🚗🚓🚕🛺🚙🛻🚌🚐🚎🚑🚒🚚

由于存在许多不同的Transformer架构，因此为您的检查点（checkpoint）创建一个可能很具有挑战性。作为🤗Transformers核心理念的一部分，使库易于使用、简单和灵活，AutoClass自动推断并从给定的检查点加载正确的架构。【from_pretrained()】方法允许您快速加载任何架构的预训练模型，因此您无需花费时间和资源从头开始训练模型。生产此类检查点不可知代码意味着，如果您的代码适用于一个检查点，则它将适用于另一个检查点——只要它是为类似的任务进行训练的，即使架构不同。

请记住，架构是指模型的骨架，检查点是给定架构的权重。例如，BERT是一种架构，而bert-base-uncased是一个检查点。模型是一个通用术语，可以表示架构或检查点。

 

在本教程中，我们可以学习：

- 加载预训练的分词器。
- 加载预训练的图像处理器。
- 加载预训练的特征提取器。
- 加载预训练的处理器。
- 加载预训练模型。

AutoTokenizer

几乎每个NLP任务都始于分词器。分词器将您的输入转换为模型可以处理的格式。

使用AutoTokenizer.from_pretrained()加载分词器：

from transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

然后按照下面所示进行分词：

sequence = "In a hole in the ground there lived a hobbit."
print(tokenizer(sequence))
{'input_ids': [101, 1999, 1037, 4920, 1999, 1996, 2598, 2045, 2973, 1037, 7570, 10322, 4183, 1012, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}

AutoImageProcessor

对于视觉任务，图像处理器将图像处理成正确的输入格式。

from transformers import AutoImageProcessorimage_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")

AutoFeatureExtractor

对于音频任务，特征提取器将音频信号处理成正确的输入格式。

使用AutoFeatureExtractor.from_pretrained()加载特征提取器：

from transformers import AutoFeatureExtractorfeature_extractor = AutoFeatureExtractor.from_pretrained("ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition"
)

AutoProcessor

多模态任务需要一个处理器来结合两种类型的预处理工具。例如，LayoutLMV2模型需要一个图像处理器来处理图像和一个分词器来处理文本；处理器将两者结合起来。

使用AutoProcessor.from_pretrained()加载处理器：

from transformers import AutoProcessorprocessor = AutoProcessor.from_pretrained("microsoft/layoutlmv2-base-uncased")

AutoModel

Pytorch

最后，AutoModelFor类允许您加载给定任务的预训练模型（请参见此处以获取可用任务的完整列表）。例如，使用AutoModelForSequenceClassification.from_pretrained()加载序列分类模型：

from transformers import AutoModelForSequenceClassificationmodel = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")

可以轻松地重复使用相同的检查点，以加载不同任务的架构：

from transformers import AutoModelForTokenClassificationmodel = AutoModelForTokenClassification.from_pretrained("distilbert-base-uncased")

对于PyTorch模型，from_pretrained()方法使用torch.load()，它在内部使用pickle，并已知存在安全问题。一般来说，永远不要加载可能来自不可信源或可能被篡改的模型。针对Hugging Face Hub上托管的公共模型，这种安全风险在一定程度上得到了缓解，因为每次提交时都会对其进行恶意软件扫描。请参阅Hub文档以了解最佳实践，例如使用GPG进行签名提交验证。

TensorFlow和Flax检查点不受影响，并且可以在PyTorch架构中使用from_pretrained方法的from_tf和from_flax参数来加载，以绕过此问题。

 通常，我们建议使用AutoTokenizer类和AutoModelFor类来加载预训练模型的实例。这将确保您每次都加载正确的架构。在下一个教程中，学习如何使用新加载的分词器、图像处理器、特征提取器和处理器对数据集进行预处理，以进行微调。

TensorFlow

最后，TFAutoModelFor类允许您加载给定任务的预训练模型（请参见此处以获取可用任务的完整列表）。例如，使用TFAutoModelForSequenceClassification.from_pretrained()加载序列分类模型：

from transformers import TFAutoModelForSequenceClassificationmodel = TFAutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")

可以轻松地重复使用相同的检查点，以加载不同任务的架构：

from transformers import TFAutoModelForTokenClassificationmodel = TFAutoModelForTokenClassification.from_pretrained("distilbert-base-uncased")

通常，我们建议使用AutoTokenizer类和TFAutoModelFor类来加载预训练模型的实例。这将确保您每次都加载正确的架构。在下一个教程中，学习如何使用新加载的分词器、图像处理器、特征提取器和处理器对数据集进行预处理，以进行微调。