在这篇中文博客中，我们将深入探讨使用transformers库中的pipeline()函数，它为预训练模型提供了一个简单且快速的推理方法。pipeline()函数支持多种任务，包括文本分类、文本生成、摘要生成、图像分类、图像分割、对象检测、音频分类、自动语音识别、视觉问题回答、文档问题回答和图像字幕生成等。有了transformers的pipeline，我们可以快速的实现很多高质量的任务，我顿时感觉算法工程师的工作会方便很多，也会少很多职位了。

安装

直接用这个命令去安装这些库

pip install transformers datasets

情感分析


from transformers import pipeline
 
# 创建情感分析的pipeline
classifier = pipeline("sentiment-analysis")
 
# 应用模型进行推理
result = classifier("I love using Transformers. It's so easy and powerful.")
print(result)
# 输出结果：[{'label': 'POSITIVE', 'score': 0.9998376369476318}]

导入pipeline函数：首先，从transformers库中导入pipeline函数，这是使用transformers库进行各种自然语言处理任务的第一步。
创建情感分析的pipeline：接下来，调用pipeline函数并传入参数"sentiment-analysis"，创建一个用于情感分析的pipeline。这个步骤会自动选择和下载一个适合于情感分析任务的预训练模型。
应用模型进行推理：定义一段文本"I love using Transformers. It's so easy and powerful."作为输入，使用上一步创建的情感分析pipeline对其进行分析。这个过程涉及将文本传递给预训练模型，模型会根据其学习到的特征来预测文本的情绪。
打印推理结果：情感分析的结果是一个列表，其中每个元素是一个包含预测标签和置信度分数的字典。通过打印结果，我们可以看到模型对于给定文本情感倾向的判断和相应的置信度。

文本生成


from transformers import pipeline
 
# 创建情感分析的pipeline
text_generator = pipeline("text-generation")
 
# 提供一个提示文本进行文本生成
prompt = "In a distant future, humanity has discovered the secret to interstellar travel,"
generated_text = text_generator(prompt, max_length=50)
 
print(generated_text)
# [{'generated_text': 'In a distant future, humanity has discovered the secret to interstellar travel, a technological civilization that has advanced far beyond their previous ability to transport resources. These starships are still capable of transporting materials and materials from their distant galaxies, but on

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/353656