位置: IT常识 - 正文

HuggingFace简明教程

编辑:rootadmin
HuggingFace简明教程

推荐整理分享HuggingFace简明教程,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

视频链接:HuggingFace简明教程,BERT中文模型实战示例.NLP预训练模型,Transformers类库,datasets类库快速入门._哔哩哔哩_bilibili

1.huggingface简介与安装

什么是huggingface?huggingface是一个开源社区,它提供了先进的NLP模型,数据集,以及其他便利的工具。

数据集:Hugging Face – The AI community building the future. 

这些数据集可以根据任务、语言等来分类

模型:Models - Hugging Face 

官方文档: Hugging Face - Documentation 

 主要的模型:

        自回归:GPT2、Transformer-XL、XLNet

        自编码:BERT、ALBERT、RoBERTa、ELECTRA

        Seq2Seq:BART、Pegasus、T5

安装环境:

        前置环境:python、pytorch安装

        安装transformers、datasets包:

#安装transformers#pip安装pip install transformers#conda安装conda install -c huggingface transformers#安装datasets#pip安装pip install datasets#conda安装conda install -c huggingface -c conda-forge datasets

推荐使用pip进行安装

2.使用字典和分词工具加载tokenizer,准备语料

        在加载tokenizer的时候要传一个name,这个name与模型的name相一致,所以一个模型对应一个tokenizer

from transformers import BertTokenizer#加载预训练字典和分词方法tokenizer = BertTokenizer.from_pretrained( pretrained_model_name_or_path='bert-base-chinese', cache_dir=None, force_download=False,)sents = [ '选择珠江花园的原因就是方便。', '笔记本的键盘确实爽。', '房间太小。其他的都一般。', '今天才知道这书还有第6卷,真有点郁闷.', '机器背面似乎被撕了张什么标签,残胶还在。',]tokenizer, sents简单的编码

一次编码两个句子,text_pair是可以不传的,如果不传的话就是一次编码一个句子

#编码两个句子out = tokenizer.encode( text=sents[0], text_pair=sents[1], #当句子长度大于max_length时,截断 truncation=True, #一律补pad到max_length长度 padding='max_length', add_special_tokens=True, max_length=30, return_tensors=None,# 默认返回list)print(out)tokenizer.decode(out)增强的编码函数#增强的编码函数out = tokenizer.encode_plus( text=sents[0], text_pair=sents[1], #当句子长度大于max_length时,截断 truncation=True, #一律补零到max_length长度 padding='max_length', max_length=30, add_special_tokens=True, #可取值tf,pt,np,默认为返回list return_tensors=None, #返回token_type_ids return_token_type_ids=True, #返回attention_mask return_attention_mask=True, #返回special_tokens_mask 特殊符号标识 return_special_tokens_mask=True, #返回offset_mapping 标识每个词的起止位置,这个参数只能BertTokenizerFast使用 #return_offsets_mapping=True, #返回length 标识长度 return_length=True,)

增强编码的结果:

#input_ids 就是编码后的词#token_type_ids 第一个句子和特殊符号的位置是0,第二个句子的位置是1#special_tokens_mask 特殊符号的位置是1,其他位置是0#attention_mask pad的位置是0,其他位置是1#length 返回句子长度for k, v in out.items(): print(k, ':', v)tokenizer.decode(out['input_ids'])

 

 批量编码句子

上述方式是一次编码一个或者一对句子,但是实际操作中需要批量编码句子。这里编码的是一个一个的句子,而不是一对一对的句子

#批量编码句子out = tokenizer.batch_encode_plus( batch_text_or_text_pairs=[sents[0], sents[1]], add_special_tokens=True, #当句子长度大于max_length时,截断 truncation=True, #一律补零到max_length长度 padding='max_length', max_length=15, #可取值tf,pt,np,默认为返回list return_tensors=None, #返回token_type_ids return_token_type_ids=True, #返回attention_mask return_attention_mask=True, #返回special_tokens_mask 特殊符号标识 return_special_tokens_mask=True, #返回offset_mapping 标识每个词的起止位置,这个参数只能BertTokenizerFast使用 #return_offsets_mapping=True, #返回length 标识长度 return_length=True,)

批量编码的结果:

#input_ids 就是编码后的词#token_type_ids 第一个句子和特殊符号的位置是0,第二个句子的位置是1#special_tokens_mask 特殊符号的位置是1,其他位置是0#attention_mask pad的位置是0,其他位置是1#length 返回句子长度for k, v in out.items(): print(k, ':', v)tokenizer.decode(out['input_ids'][0]), tokenizer.decode(out['input_ids'][1])HuggingFace简明教程

批量成对编码

传入的list中是一个一个的tuple,tuple中是一对句子

#批量编码成对的句子out = tokenizer.batch_encode_plus( batch_text_or_text_pairs=[(sents[0], sents[1]), (sents[2], sents[3])], add_special_tokens=True, #当句子长度大于max_length时,截断 truncation=True, #一律补零到max_length长度 padding='max_length', max_length=30, #可取值tf,pt,np,默认为返回list return_tensors=None, #返回token_type_ids return_token_type_ids=True, #返回attention_mask return_attention_mask=True, #返回special_tokens_mask 特殊符号标识 return_special_tokens_mask=True, #返回offset_mapping 标识每个词的起止位置,这个参数只能BertTokenizerFast使用 #return_offsets_mapping=True, #返回length 标识长度 return_length=True,)

批量成对编码结果:

#input_ids 就是编码后的词#token_type_ids 第一个句子和特殊符号的位置是0,第二个句子的位置是1#special_tokens_mask 特殊符号的位置是1,其他位置是0#attention_mask pad的位置是0,其他位置是1#length 返回句子长度for k, v in out.items(): print(k, ':', v)tokenizer.decode(out['input_ids'][0]) 字典操作

操作tokenizer中的字典,当前的字典以一个字为一个词

#获取字典zidian = tokenizer.get_vocab()type(zidian), len(zidian), '月光' in zidian,

 

#添加新词tokenizer.add_tokens(new_tokens=['月光', '希望'])#添加新符号tokenizer.add_special_tokens({'eos_token': '[EOS]'})zidian = tokenizer.get_vocab()type(zidian), len(zidian), zidian['月光'], zidian['[EOS]']

 编码新词:

#编码新添加的词out = tokenizer.encode( text='月光的新希望[EOS]', text_pair=None, #当句子长度大于max_length时,截断 truncation=True, #一律补pad到max_length长度 padding='max_length', add_special_tokens=True, max_length=8, return_tensors=None,)print(out)tokenizer.decode(out)3.数据集操作加载数据集

以情感分类数据集为例

from datasets import load_dataset#加载数据dataset = load_dataset(path='seamew/ChnSentiCorp')dataset

#查看一个数据dataset[0]  排序和打乱#sort#未排序的label是乱序的print(dataset['label'][:10])#排序之后label有序了sorted_dataset = dataset.sort('label')print(sorted_dataset['label'][:10])print(sorted_dataset['label'][-10:])

#shuffle#打乱顺序shuffled_dataset = sorted_dataset.shuffle(seed=42)shuffled_dataset['label'][:10]

选择和过滤#selectdataset.select([0, 10, 20, 30, 40, 50])

 

#filterdef f(data): return data['text'].startswith('选择')start_with_ar = dataset.filter(f)len(start_with_ar), start_with_ar['text']

切分和分桶#train_test_split, 切分训练集和测试集dataset.train_test_split(test_size=0.1)

#shard#把数据切分到4个桶中,均匀分配dataset.shard(num_shards=4, index=0)

列操作和类型转换#rename_columndataset.rename_column('text', 'textA')

#remove_columnsdataset.remove_columns(['text'])

#set_formatdataset.set_format(type='torch', columns=['label'])dataset[0]

 map函数

对数据集中的每一条数据都做函数f操作

#mapdef f(data): data['text'] = 'My sentence: ' + data['text'] return datadatatset_map = dataset.map(f)datatset_map['text'][:5]

保存和加载#保存数据集到磁盘dataset.save_to_disk(dataset_dict_path='./data/ChnSentiCorp')#从磁盘加载数据from datasets import load_from_diskdataset = load_from_disk('./data/ChnSentiCorp')

导出和保存为其他格式

#导出为csv格式dataset = load_dataset(path='seamew/ChnSentiCorp', split='train')dataset.to_csv(path_or_buf='./data/ChnSentiCorp.csv')#加载csv格式数据csv_dataset = load_dataset(path='csv', data_files='./data/ChnSentiCorp.csv', split='train')#导出为json格式dataset = load_dataset(path='seamew/ChnSentiCorp', split='train')dataset.to_json(path_or_buf='./data/ChnSentiCorp.json')#加载json格式数据json_dataset = load_dataset(path='json', data_files='./data/ChnSentiCorp.json', split='train')4.使用评价函数查看可用的评价指标from datasets import list_metrics#列出评价指标metrics_list = list_metrics()len(metrics_list), metrics_list 查看该指标的说明文档

可以按照评价指标的说明文档中的示例代码来使用该指标

from datasets import load_metric#加载一个评价指标metric = load_metric('glue', 'mrpc')print(metric.inputs_description)计算一个评价指标#计算一个评价指标predictions = [0, 1, 0]references = [0, 1, 1]final_score = metric.compute(predictions=predictions, references=references)final_score

5.使用pipline函数

pipeline提供了一些不需要训练就可以执行一些nlp任务的模型,实用价值不高

情感分类from transformers import pipeline#文本分类classifier = pipeline("sentiment-analysis")result = classifier("I hate you")[0]print(result)result = classifier("I love you")[0]print(result) 阅读理解from transformers import pipeline#阅读理解question_answerer = pipeline("question-answering")context = r"""Extractive Question Answering is the task of extracting an answer from a text given a question. An example of a question answering dataset is the SQuAD dataset, which is entirely based on that task. If you would like to fine-tune a model on a SQuAD task, you may leverage the examples/pytorch/question-answering/run_squad.py script."""result = question_answerer(question="What is extractive question answering?", context=context)print(result)result = question_answerer( question="What is a good example of a question answering dataset?", context=context)print(result)完形填空from transformers import pipeline#完形填空unmasker = pipeline("fill-mask")from pprint import pprintsentence = 'HuggingFace is creating a <mask> that the community uses to solve NLP tasks.'unmasker(sentence)文本生成from transformers import pipeline#文本生成text_generator = pipeline("text-generation")text_generator("As far as I am concerned, I will", max_length=50, do_sample=False)命名实体识别from transformers import pipeline#命名实体识别ner_pipe = pipeline("ner")sequence = """Hugging Face Inc. is a company based in New York City. Its headquarters are in DUMBO,therefore very close to the Manhattan Bridge which is visible from the window."""for entity in ner_pipe(sequence): print(entity)文本摘要from transformers import pipeline#文本总结summarizer = pipeline("summarization")ARTICLE = """ New York (CNN)When Liana Barrientos was 23 years old, she got married in Westchester County, New York.A year later, she got married again in Westchester County, but to a different man and without divorcing her first husband.Only 18 days after that marriage, she got hitched yet again. Then, Barrientos declared "I do" five more times, sometimes only within two weeks of each other.In 2010, she married once more, this time in the Bronx. In an application for a marriage license, she stated it was her "first and only" marriage.Barrientos, now 39, is facing two criminal counts of "offering a false instrument for filing in the first degree," referring to her false statements on the2010 marriage license application, according to court documents.Prosecutors said the marriages were part of an immigration scam.On Friday, she pleaded not guilty at State Supreme Court in the Bronx, according to her attorney, Christopher Wright, who declined to comment further.After leaving court, Barrientos was arrested and charged with theft of service and criminal trespass for allegedly sneaking into the New York subway through an emergency exit, said DetectiveAnnette Markowski, a police spokeswoman. In total, Barrientos has been married 10 times, with nine of her marriages occurring between 1999 and 2002.All occurred either in Westchester County, Long Island, New Jersey or the Bronx. She is believed to still be married to four men, and at one time, she was married to eight men at once, prosecutors say.Prosecutors said the immigration scam involved some of her husbands, who filed for permanent residence status shortly after the marriages.Any divorces happened only after such filings were approved. It was unclear whether any of the men will be prosecuted.The case was referred to the Bronx District Attorney\'s Office by Immigration and Customs Enforcement and the Department of Homeland Security\'sInvestigation Division. Seven of the men are from so-called "red-flagged" countries, including Egypt, Turkey, Georgia, Pakistan and Mali.Her eighth husband, Rashid Rajput, was deported in 2006 to his native Pakistan after an investigation by the Joint Terrorism Task Force.If convicted, Barrientos faces up to four years in prison. Her next court appearance is scheduled for May 18."""summarizer(ARTICLE, max_length=130, min_length=30, do_sample=False)翻译from transformers import pipeline#翻译translator = pipeline("translation_en_to_de")sentence = "Hugging Face is a technology company based in New York and Paris"translator(sentence, max_length=40)trainer API加载分词工具from transformers import AutoTokenizer#加载分词工具tokenizer = AutoTokenizer.from_pretrained('bert-base-cased')定义数据集from datasets import load_datasetfrom datasets import load_from_disk#加载数据集#从网络加载#datasets = load_dataset(path='glue', name='sst2')#从本地磁盘加载数据datasets = load_from_disk('./data/glue_sst2')#分词def f(data): return tokenizer( data['sentence'], padding='max_length', truncation=True, max_length=30, )datasets = datasets.map(f, batched=True, batch_size=1000, num_proc=4)#取数据子集,否则数据太多跑不动dataset_train = datasets['train'].shuffle().select(range(1000))dataset_test = datasets['validation'].shuffle().select(range(200))del datasetsdataset_train加载模型from transformers import AutoModelForSequenceClassification#加载模型model = AutoModelForSequenceClassification.from_pretrained('bert-base-cased', num_labels=2)print(sum([i.nelement() for i in model.parameters()]) / 10000) # 查看模型参数数量定义评价函数import numpy as npfrom datasets import load_metricfrom transformers.trainer_utils import EvalPrediction#加载评价函数metric = load_metric('accuracy')#定义评价函数def compute_metrics(eval_pred): logits, labels = eval_pred logits = logits.argmax(axis=1) return metric.compute(predictions=logits, references=labels)#模拟测试输出eval_pred = EvalPrediction( predictions=np.array([[0, 1], [2, 3], [4, 5], [6, 7]]), label_ids=np.array([1, 1, 1, 1]),)compute_metrics(eval_pred)定义训练器并测试from transformers import TrainingArguments, Trainer#初始化训练参数args = TrainingArguments(output_dir='./output_dir', evaluation_strategy='epoch')args.num_train_epochs = 1args.learning_rate = 1e-4args.weight_decay = 1e-2args.per_device_eval_batch_size = 32args.per_device_train_batch_size = 16#初始化训练器trainer = Trainer( model=model, args=args, train_dataset=dataset_train, eval_dataset=dataset_test, compute_metrics=compute_metrics,)#评价模型trainer.evaluate()

模型未训练前的准确率是0.49

#训练trainer.train()

 

 训练一个epoch之后的准确率为0.8

保存模型参数#保存模型trainer.save_model(output_dir='./output_dir')使用保存的模型参数定义测试数据集import torchdef collate_fn(data): label = [i['label'] for i in data] input_ids = [i['input_ids'] for i in data] token_type_ids = [i['token_type_ids'] for i in data] attention_mask = [i['attention_mask'] for i in data] label = torch.LongTensor(label) input_ids = torch.LongTensor(input_ids) token_type_ids = torch.LongTensor(token_type_ids) attention_mask = torch.LongTensor(attention_mask) return label, input_ids, token_type_ids, attention_mask#数据加载器loader_test = torch.utils.data.DataLoader(dataset=dataset_test, batch_size=4, collate_fn=collate_fn, shuffle=True, drop_last=True)for i, (label, input_ids, token_type_ids, attention_mask) in enumerate(loader_test): breaklabel, input_ids, token_type_ids, attention_mask测试import torch#测试def test(): #加载参数 model.load_state_dict(torch.load('./output_dir/pytorch_model.bin')) model.eval() #运算 out = model(input_ids=input_ids, token_type_ids=token_type_ids, attention_mask=attention_mask) #[4, 2] -> [4] out = out['logits'].argmax(dim=1) correct = (out == label).sum().item() return correct / len(label)test()
本文链接地址:https://www.jiuchutong.com/zhishi/285062.html 转载请保留说明!

上一篇:大城历史公园中的帕喜善佩寺,泰国大城府 (© travelstock44/Alamy)(大城遗址公园)

下一篇:SU-03T语音模块的使用(小智语音控制LED灯)(语音模块作用)

  • 苹果13pro充电多少w(苹果14pro多少快充)

    苹果13pro充电多少w(苹果14pro多少快充)

  • 爱普生打印机二维码在哪(爱普生打印机二维码如何获取)

    爱普生打印机二维码在哪(爱普生打印机二维码如何获取)

  • win10打开软件老是询问是否运行(win10打开软件老是提示在商店查找应用)

    win10打开软件老是询问是否运行(win10打开软件老是提示在商店查找应用)

  • 钉钉开悬浮窗还会记录时长吗(钉钉开悬浮窗还能看到吗)

    钉钉开悬浮窗还会记录时长吗(钉钉开悬浮窗还能看到吗)

  • 怎么解除qq短信验证(qq如何取消手机短信验证)

    怎么解除qq短信验证(qq如何取消手机短信验证)

  • 微信分数有什么用(微信分数有什么作用)

    微信分数有什么用(微信分数有什么作用)

  • 输入输出的寻址方式有哪几种(输入输出的编址方式)

    输入输出的寻址方式有哪几种(输入输出的编址方式)

  • 图片设置为四周型环绕(图片设置为四周环绕方式放置在页码中间位置)

    图片设置为四周型环绕(图片设置为四周环绕方式放置在页码中间位置)

  • 手机微信怎么看黑名单在哪里(手机微信怎么看电脑有没有登录)

    手机微信怎么看黑名单在哪里(手机微信怎么看电脑有没有登录)

  • 苹果10防水吗(苹果14防水吗)

    苹果10防水吗(苹果14防水吗)

  • designed by oppo什么型号(designedbyoppo什么型号价格图片)

    designed by oppo什么型号(designedbyoppo什么型号价格图片)

  • 乐视2怎么root授权

    乐视2怎么root授权

  • 小米9pro怎么设置抬起唤醒(小米9Pro怎么设置手势翻页)

    小米9pro怎么设置抬起唤醒(小米9Pro怎么设置手势翻页)

  • 手机微博定时发送怎么设置(手机微博定时发送)

    手机微博定时发送怎么设置(手机微博定时发送)

  • 犀牛工具栏怎么恢复(犀牛工具栏怎么调大)

    犀牛工具栏怎么恢复(犀牛工具栏怎么调大)

  • iphonex如何用nfc读卡(iPhonex如何用5g)

    iphonex如何用nfc读卡(iPhonex如何用5g)

  • 用支付宝可以充话费吗(用支付宝可以充q币吗)

    用支付宝可以充话费吗(用支付宝可以充q币吗)

  • 苹果7基带坏了的症状(苹果7基带坏了修理需要多少钱)

    苹果7基带坏了的症状(苹果7基带坏了修理需要多少钱)

  • 华为nova5pro怎么打开usb(华为nova5pro怎么截屏)

    华为nova5pro怎么打开usb(华为nova5pro怎么截屏)

  • 有信打电话对方显示什么号码(有信打电话对方显示冻结是什么意思)

    有信打电话对方显示什么号码(有信打电话对方显示冻结是什么意思)

  • 小米8se隐藏刘海设置(小米8se隐藏刘海功能)

    小米8se隐藏刘海设置(小米8se隐藏刘海功能)

  • 淘宝如何退货(淘宝如何退货给卖家)

    淘宝如何退货(淘宝如何退货给卖家)

  • 解析Linux系统中bashrc和profile文件的作用区别(linux |bc)

    解析Linux系统中bashrc和profile文件的作用区别(linux |bc)

  • 如何选购布艺沙发?(怎样选好布艺沙发)

    如何选购布艺沙发?(怎样选好布艺沙发)

  • 【自用】VUE 获取登录用户名 显示在其他页面上(获取vue实例)

    【自用】VUE 获取登录用户名 显示在其他页面上(获取vue实例)

  • 税中税是多少
  • 社保个人承担部分
  • 混凝土开票的型号规格
  • 服装企业销售方式
  • 外籍个人工资薪金汇出境
  • 广告物料制作费公司怎么做账
  • 远期转账支票怎么取钱
  • 出口退税是退进项
  • 技术转让开具什么发票
  • 如何批量查询发票
  • 公司所得税汇算清缴退税流程
  • 老总来公司视察
  • 企业费用抵扣
  • 仪器购买税率
  • 以前年度损益调整借贷方向
  • 有限合伙人的投资风险有哪些
  • 购买公司付款会计分录
  • 出租房电费怎么结算
  • 普通发票多久之后还可以红冲
  • 固定资产折旧方法的选择
  • 间断性断网
  • 现在windows11
  • macos big sur 怎么样
  • 情人节海报怎么画简单
  • 代发工资跨行手续怎么办
  • 发票报销的账务怎么处理
  • 固定资产置换存货的账务处理
  • 实习生究竟该怎么缴个税?
  • 使用vue搭建项目
  • 库存现金盘盈影响营业利润吗
  • 总分机构 分总机构
  • vue.js devtools插件下载
  • 2021市场发展
  • php计时函数
  • 小规模纳税人印花税减半征收政策
  • websocket前端vue
  • 债券溢折价摊销
  • 退回的货款应该记什么费用
  • 房屋维修基金帐户处理办法
  • 固定资产可以一次性折旧吗
  • 现金存货盘盈盘亏计入什么科目
  • 银行转账手续费一览表
  • 出口货款收不回怎么办
  • 结汇时和月底结转汇兑损益
  • 个贷系统平账专户A户付款会计分录
  • 长期应付未付款项清理方案
  • 员工代垫费用能用公户转吗
  • 向非金融企业借款会计分录
  • 工程预缴税款流程
  • 月末都应该计提哪些税费
  • 企业向个人借款利息如何处理
  • 网站和店铺的区别
  • 房地产企业的土地使用权计入什么科目
  • sqlserver 类型
  • unix系统中目录采用什么结构
  • windows7自动开机脚本文件
  • win10系统无法打开这个应用
  • centos7 安全配置
  • 一键u盘安装系统
  • Win10技巧:如何开启隐藏的锁屏时间设置项
  • ulimit命令详解
  • linux启动后出现grub
  • win8.1快速启动
  • win7激活工具怎么使用
  • 自动备份文件并发送到Gmail (适用G级数据的备份)
  • win8无法安装inter显卡驱动
  • Linux系统中如何复制虚拟机
  • win7开机系统恢复
  • javascript怎么用
  • JavaScript创建数量n由用户决定的数组
  • 在文本输入框中的输入内容是
  • 仿百度首页html代码静态
  • unity操作教程
  • js测试工具
  • python shutil
  • jquery的理解
  • 浙江税务打不开,提示新版本
  • 主管税务机构
  • 贵州省增值税普通发票图片
  • 车价为150万的进口车型
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设