前言🤗 Transformers 提供了一个 Trainer 类，帮助您在您自己的数据集上微调它提供的任何预训练模型。一旦您完成了上一节中的所有数据预处理工作，您只需几个步骤就可以定义 Trainer 了。最困难的部分可能是准备运行 Tr

前言继续上一章的例子，以下是我们在 PyTorch 中如何在一个批次上训练序列分类器的步骤： import torch from transformers import AdamW, AutoTokenizer, AutoModelForS

前言在第2章中，我们探讨了如何使用分词器和预训练模型来做出预测。但是，如果你想要针对自己的数据集微调一个预训练模型呢？这就是本章的主题！你将学习： 如何从 Hub 准备大型数据集 如何使用高级 Trainer API 微调模型 如何使用自

前言太棒了，你一直跟到了这里！回顾一下，在本章中你学习了： 学习了 Transformer 模型的基本构建块。 了解了组成分词管道的内容。 看到了如何在实际中使用 Transformer 模型。 学习了如何利用分词器将文本转换为模型可以理

前言在过去的几节中，我们一直在尽力手动完成大部分工作。我们探讨了标记器是如何工作的，并查看了标记化、转换为输入ID、填充、截断和注意力掩码。 然而，正如我们在第2节看到的，🤗 Transformers API 可以通过一个高级函数为我们处

前言在上一节中，我们探讨了最简单的用例：对单个短序列进行推理。然而，已经出现了一些问题： 我们如何处理多个序列？ 我们如何处理不同长度的多个序列？ 词汇索引是允许模型良好工作的唯一输入吗？ 有没有所谓的过长序列？ 让我们看看这些问题提出

前言分词器是 NLP 管道中的核心组件之一。它们有一个目的：将文本转换成模型可以处理的数据。模型只能处理数字，所以分词器需要将我们的文本输入转换为数值数据。在本节中，我们将探索分词管道中确切发生的事情。 在自然语言处理任务中，通常处理的数据

前言在本节中，我们将更深入地了解如何创建和使用模型。我们将使用 AutoModel 类，这在您想要从检查点实例化任何模型时会非常方便。 AutoModel 类及其所有相关类实际上是对库中可用的各种模型的一种简单封装。它是一个巧妙的封装，因为

前言让我们从一个完整的例子开始，回顾一下我们在第一章执行以下代码时幕后发生了什么： from transformers import pipeline classifier = pipeline("sentiment-analysis")

前言正如您在第一章中看到的，Transformer模型通常非常大。拥有数百万到数十亿个参数，训练和部署这些模型是一项复杂的任务。此外，每天都有新的模型发布，而且每个模型都有自己的实现方式，尝试它们绝非易事。 🤗 Transformers库

前言简单的介绍Python - 常用函数。 Operating System: Ubuntu 22.04.4 LTS pygraphvizsrc link: https://pygraphviz.github.io/documentatio

前言介绍一些数据集。 Operating System: Ubuntu 22.04.4 LTS 文本Text Generation (pre-training datasets) LLaMA-Factory/Wiki Demo (