有粉絲留言說想利用AI挖掘開源信息，現在你看到的這類文章就是我利用AI抓取開源信息幫助我生成的文章，是的，我壓根看不懂一個代碼~如果你對這類AI自動化程序感興趣，可以看文末加入我的星球有3天試用，我晚點會把資料分享在里面，因為這個和跨境的日常工作不大，我就不錄視頻了，這個純屬我當初無聊學的，今天本來要錄制新視頻的，但是還在參加分享會議中，所以明天吧~周末學習不打烊~

在當今的人工智能領域，各種神經網絡模型已經幫助我們解決了許多復雜的問題。但是，如果你能直接訪問數千種預訓練模型，應用到文本、圖像和音頻等多種領域，將會有多大的便利呢？今天，讓我們一同探索 Hugging Face 提供的開源項目——? Transformers，讓最新、最先進的機器學習技術觸手可及。

項目簡介

? Transformers 提供數千種預訓練模型，這些模型可以應用于不同的模態（如文本、視覺和音頻），執行各種任務：

在文本任務中的應用

• 文本分類：這類任務可以識別文本所屬的類別，常見于情感分析等應用。
• 信息抽取：從非結構化文本中抓取有價值的信息。
• 問答系統：通過輸入問題找到最合適的答案，適用于智能客服等場景。
• 文本摘要：將長文壓縮為簡潔的幾句話，幫助快速理解內容。
• 翻譯：支持超過100種語言之間的互譯。
• 文本生成：從短語生成長篇文章，已在新聞撰寫等領域有廣泛應用。

在圖像任務中的應用

• 圖像分類：識別圖像中主要的內容，例如是否包含某種物體。
• 目標檢測：在圖像中標出指定的物體并計算其位置。
• 圖像分割：將圖像劃分為有意義的部分，例如背景和前景的分離。

在音頻任務中的應用

• 語音識別：將語音轉換為文本，常見于語音助手。
• 音頻分類：根據音頻內容進行分類，如音樂類型的識別。

此外，Transformer 模型還支持 多模態任務，如從掃描文件中提取信息、視頻分類和視覺問答等。

快速上手

為了讓用戶能夠最快速地使用這些強大的預訓練模型，? Transformers 提供了便捷的 API。例如，我們可以通過下列代碼快速實現情感分析：

from?transformers?import?pipeline

#?為情感分析準備一個流水線
classifier?=?pipeline('sentiment-analysis')
#?對輸入文本進行情感分析
classifier('We?are?very?happy?to?introduce?pipeline?to?the?transformers?repository.')

該代碼會將預訓練模型下載并緩存，然后對輸入的文本進行評估，返回結果是“積極”的概率。

應用示例

在自然語言處理（NLP）領域：

• BERT 掩碼字完成：示例鏈接
• Electra 實體識別：示例鏈接
• Mistral 文本生成：示例鏈接

在計算機視覺領域：

• ViT 圖像分類：示例鏈接
• DETR 目標檢測：示例鏈接
• SegFormer 語義分割：示例鏈接

在音頻領域：

• Whisper 自動語音識別：示例鏈接
• Wav2Vec2 關鍵詞識別：示例鏈接
• AST 音頻分類：示例鏈接

此外，在多模態任務中：

• TAPAS 表格問答：示例鏈接
• ViLT 視覺問答：示例鏈接
• LLaVa 圖像描述：示例鏈接

Hugging Face 提供的平臺無疑簡化了模型的使用過程，你可以輕松實現從數據預處理、模型訓練到推理等全過程。

更詳細的示例

例如，我們可以輕松實現圖像中的目標檢測：

import?requests
from?PIL?import?Image
from?transformers?import?pipeline

#?下載包含可愛貓咪的圖片
url?=?"https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"
image_data?=?requests.get(url,?stream=True).raw
image?=?Image.open(image_data)

#?為目標檢測準備一個流水線
object_detector?=?pipeline('object-detection')
object_detector(image)

運行上述代碼后，我們將會得到圖片中檢測到的目標以及它們的置信度分數和邊界框。如下圖所示，左邊是原始圖像，右邊是模型的預測結果：

項目架構

在架構設計上，? Transformers 支持通過三大熱門深度學習庫——Jax、PyTorch 和 TensorFlow 無縫切換。不論你使用哪種框架進行模型訓練，都可以用另一種框架進行推理。這無疑極大地增加了靈活性和效率。

要想快速上手 ? Transformers 提供的預訓練模型，只需要幾行代碼：

對于 PyTorch:

from?transformers?import?AutoTokenizer,?AutoModel

tokenizer?=?AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
model?=?AutoModel.from_pretrained("google-bert/bert-base-uncased")

inputs?=?tokenizer("Hello?world!",?return_tensors="pt")
outputs?=?model(**inputs)

對于 TensorFlow:

from?transformers?import?AutoTokenizer,?TFAutoModel

tokenizer?=?AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
model?=?TFAutoModel.from_pretrained("google-bert/bert-base-uncased")

inputs?=?tokenizer("Hello?world!",?return_tensors="tf")
outputs?=?model(**inputs)

在這段代碼中，tokenizer 負責對輸入文本進行預處理，而 model 則接收處理后的輸入進行推理。

安裝指南

使用 pip 安裝

您可以通過以下命令安裝 Transformers：

pip?install?transformers

使用 conda 安裝

或者選擇使用 conda：

conda?install?conda-forge::transformers

環境要求

? Transformers 需要 Python 3.8 以上版本，并且需要至少安裝 Flax、PyTorch 或 TensorFlow 其中之一。

總結

Hugging Face 開發的 ? Transformers 項目為機器學習和深度學習領域帶來了便捷和高效。無論你是研究人員、開發人員，還是學生，都能夠利用這個工具箱輕松實現各種復雜任務。同時，豐富的預訓練模型庫為不同應用場景提供了強大的支持。

如果你正尋找一個可靠、易用并且功能強大的工具來加速你的機器學習項目，不妨嘗試一下 ? Transformers，相信你會有驚喜的發現。

希望這篇介紹能幫助你更好地了解 ? Transformers 的強大功能并開始你的機器學習之旅！