前言在第三章中，你首次体验了🤗 Datasets库，并看到了微调模型时的三个主要步骤： 从Hugging Face Hub加载一个数据集。 使用Dataset.map()预处理数据。 加载并计算指标。 但这只是🤗 Datasets库

前言这是课程第一部分的结束！第二部分将在11月15日发布，届时将有一个大型社区活动，更多信息请点击这里查看。 你现在应该能够在一个文本分类问题（单个或成对的句子）上对预训练模型进行微调，并将结果上传到模型中心。为了确保你掌握了这一部分，你应

前言模型卡是模型仓库中与模型和分词器文件同等重要的文件。它是模型的中心定义，确保了社区成员的可重用性和结果的再现性，并为其他成员提供了一个构建他们工件的平台。 记录训练和评估过程有助于他人了解对模型的期望——并提供足够的信息关于使用的数据以

前言在下面的步骤中，我们将看看分享预训练模型到🤗 Hub的最简单方法。有一些工具和实用程序可以帮助我们在Hub上轻松地分享和更新模型，我们将在下面进行探索。 我们鼓励所有训练模型的用户通过分享它们来为社区做出贡献——即使是在非常特定的数据

前言模型中心（Model Hub）简化了选择合适模型的过程，使得在任何下游库中使用这些模型只需几行代码。让我们来看看如何实际使用这些模型，以及如何回馈社区。 假设我们正在寻找一个基于法语的模型，能够执行掩码填充任务。 我们选择camemb

前言Hugging Face Hub —— 我们的主网站 —— 是一个中央平台，使任何人都能发现、使用和贡献新的最先进模型和数据集。它托管了各种类型的模型，公开可用的超过10,000个。我们将在本章中关注这些模型，并在第5章中查看数据集。

前言这很有趣！在前两章中，你学习了关于模型和分词器的知识，现在你知道如何针对自己的数据对它们进行微调。回顾一下，在这一章中你： 学习了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整理器 实现了自己的模型微调和评估 实

前言现在我们将看到如何在不使用Trainer类的情况下，获得与上一部分相同的结果。再次提醒，我们假设你已经完成了第二部分的数据处理。下面是一个涵盖你所需要的一切的简短总结： from datasets import load_dataset

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