前言

本课程将使用来自Hugging Face生态系统的库——🤗Transformers、🤗Datasets、🤗Tokenizers和🤗Accelerate——以及Hugging Face Hub——教你自然语言处理（NLP）。它完全免费，没有广告。

src link: https://huggingface.co/learn/nlp-course/chapter1/1

Operating System: Ubuntu 22.04.4 LTS

参考文档

  1. NLP Course - Introduction

预期会发生什么

以下是课程的简要概述：

第1章到第4章介绍了🤗Transformers库的主要概念。在课程的这一部分结束时，您将熟悉Transformer模型的工作原理，并了解如何使用Hugging Face Hub中的模型，在数据集上微调它，并在Hub上分享您的结果！

第5章到第8章在深入研究经典的NLP任务之前，教授🤗Datasets和🤗Tokenizers的基础知识。在这一部分结束时，您将能够自己解决最常见的NLP问题。

第9章到第12章超越了NLP，探索了如何使用Transformer模型来处理语音处理和计算机视觉中的任务。在此过程中，您将学习如何构建和共享模型演示，并针对生产环境对其进行优化。在本部分结束时，您将准备好将🤗Transformers应用于（几乎）任何机器学习问题！

本课程：

  • 需要良好的Python知识
  • 最好在介绍性深度学习课程之后进行，例如fast.ai的程序员实用深度学习或DeepLearning.AI开发的程序之一
  • 不期望先前的PyTorch或TensorFlow知识，尽管熟悉其中任何一个都会有所帮助

完成本课程后，我们建议您查看DeepLearning.AI的自然语言处理专业化，它涵盖了广泛的传统NLP模型，如朴素贝叶斯和LSTM，非常值得了解！

包含课程所有代码的Jupyter笔记本托管在huggingface/notebooks存储库中。如果您希望在本地生成它们，请查看GitHub上课程存储库中的说明。

Let’s Go

你准备好了吗？在本章中，您将学习：

  • 如何使用pipeline()函数解决文本生成和分类等NLP任务
  • 关于Transformer架构
  • 如何区分编码器、解码器和编码器-解码器架构和用例

结语

第一百七十四篇博文写完，开心！！！！

今天，也是充满希望的一天。