摘要：
构建模型卡片 模型卡片是一个配置文件，可以说与模型存储库中的模型和 tokenizer 文件一样重要。它包含了模型的核心定义，确保了社区成员可以复现模型的结果，并提供一个其他成员可以在这个模型基础上构建他们的组件的平台。 记录训练和评估过程并提供有关使用的数据以及已完成的预处理和后续处理的足够信息， 阅读全文
posted @ 2025-08-26 17:44
有何m不可
阅读(24)
评论(0)
推荐(0)
摘要：
共享预训练模型 接下来，我们将探索把预训练模型分享到 🤗 Hub 最便捷的方法。我们将一同研究一些工具和功能，它们可以简化直接在中心上分享和更新模型的流程。 我们鼓励所有训练模型的用户通过与社区共享来做出贡献——即使是在特定数据集上训练的模型的分享，也能帮助他人，节省他们的时间和计算资源，并提供一 阅读全文
posted @ 2025-08-26 17:41
有何m不可
阅读(59)
评论(0)
推荐(0)
摘要：
使用预训练模型 模型中心使选择合适的模型变得简单，只需几行代码即可在任何下游库中使用它。让我们来看看如何使用这些模型，以及如何将模型贡献到社区。 假设我们正在寻找一种可以执行掩码填充（mask filling 又称完形填空）的 French-based（法语）模型。 我们选择 camembert-b 阅读全文
posted @ 2025-08-26 17:06
有何m不可
阅读(21)
评论(0)
推荐(0)
摘要：
The Hugging Face Hub 我们的主网站——— Hugging Face中心 是一个集发现、使用及贡献最新先进模型与数据集为一体的中心平台。这里汇聚了超过 10,000 个公开可用的各种领域的模型。我们将在本章节专注探讨这些模型，并在第五章节深入讨论数据集。 Hub 中的模型不仅限于� 阅读全文
posted @ 2025-08-26 17:04
有何m不可
阅读(33)
评论(0)
推荐(0)
摘要：
微调，检查！ 这是非常令人高兴的！在前两章中，你了解了模型和 Tokenizer，现在你知道如何针对你自己的数据对它们进行微调。回顾一下，在本章中，你： 了解了 Hub 中的数据集 学习了如何加载和预处理数据集，包括使用动态填充和数据整理器 实现你自己的模型微调和评估 实现了一个较为底层的训练循环 阅读全文
posted @ 2025-08-26 17:02
有何m不可
阅读(29)
评论(0)
推荐(0)
摘要：
一个完整的训练 现在，我们将了解如何在不使用 Trainer 类的情况下实现与上一节相同的结果。同样，我们假设你已经完成了第 2 节中的数据处理。下面对第 2 节内容的一个简短总结，涵盖了你需要在本节之前运行的所有内容： from datasets import load_dataset from 阅读全文
posted @ 2025-08-26 17:00
有何m不可
阅读(50)
评论(0)
推荐(0)
摘要：
使用 Trainer API 微调模型 🤗 Transformers 提供了一个 Trainer 类，可以帮助你在数据集上微调任何预训练模型。在上一节中完成所有数据预处理工作后，你只需完成几个步骤来定义 Trainer 。最困难的部分可能是准备运行 Trainer.train() 所需的环境，因为 阅读全文
posted @ 2025-08-26 15:06
有何m不可
阅读(94)
评论(0)
推荐(0)
摘要：
处理数据 在这一小节你将学习 第一小节 中提到的“如何使用模型中心（hub）加载大型数据集”，下面是用模型中心的数据在 PyTorch 上训练句子分类器的一个例子： import torch from torch.optim import AdamW from transformers import 阅读全文
posted @ 2025-08-26 14:50
有何m不可
阅读(67)
评论(0)
推荐(0)
摘要：
本章简介 在 第二章 我们探索了如何使用 Tokenizer 和预训练模型进行预测。那么如何使用自己的数据集微调预训练模型呢？本章将解决这个问题！你将学到： 如何从模型中心（hub）加载大型数据集 如何使用高级的 Trainer API 微调一个模型 如何使用自定义训练过程 如何利用🤗 Accel 阅读全文
posted @ 2025-08-26 14:40
有何m不可
阅读(28)
评论(0)
推荐(0)
摘要：
基本用法完成！ 恭喜你跟随课程走到这里！回顾一下，在这一章中，你已经： 学习了 Transformers 模型的基本构造块。 了解了 Tokenizer 管道的组成。 了解了如何在实践中使用 Transformers 模型。 学习了如何利用 tokenizer 将文本转换为模型可以理解的张量。 设定 阅读全文
posted @ 2025-08-26 14:38
有何m不可
阅读(31)
评论(0)
推荐(0)
浙公网安备 33010602011771号