Huggingface的介绍，使用（CSDN最强Huggingface入门手册）

返回论文和资料目录

1.Huggingface的简介

Huggingface即是网站名也是其公司名，随着transformer浪潮，Huggingface逐步收纳了众多最前沿的模型和数据集等有趣的工作，与transformers库结合，可以快速使用学习这些模型。目前提到NLP必然绕不开Huggingface。

2.Huggingface的具体介绍

进入Huggingface网站,如下图所示。

其主要包含：

• Models（模型），包括各种处理CV和NLP等任务的模型，上面模型都是可以免费获得
• Datasets（数据集），包括很多数据集
• Spaces（分享空间），包括社区空间下最新的一些有意思的分享，可以理解为huggingface朋友圈
• Docs（文档，各种模型算法文档），包括各种模型算法等说明使用文档
• Solutions（解决方案，体验等），包括others
• Pricing（dddd） ，懂的都懂

3.Huggingface的Models

点开Models。可以看到下图的任务，再点开+23 Tasks。

可以看到下图所有的任务。
其中，主要包括计算机视觉、自然语言处理、语音处理、多模态、表格处理、强化学习。


展开介绍：
Computer Vision（计算机视觉任务）：包括lmage Classification（图像分类），lmage Segmentation（图像分割）、zero-Shot lmage Classification（零样本图像分类）、lmage-to-Image（图像到图像的任务）、Unconditional lmage Generation（无条件图像生成）、Object Detection(目标检测)、Video Classification（视频分类）、Depth Estimation(深度估计，估计拍摄者距离图像各处的距离)

Natural Language Processing（自然语言处理）：包括Translation（机器翻译）、Fill-Mask(填充掩码，预测句子中被遮掩的词)、Token Classification（词分类）、Sentence Similarity（句子相似度）、Question Answering（问答系统），Summarization（总结，缩句）、Zero-Shot Classification (零样本分类)、Text Classification（文本分类）、Text2Text（文本到文本的生成）、Text Generation（文本生成）、Conversational（聊天）、Table Question Answer（表问答，1.预测表格中被遮掩单词2.数字推理，判断句子是否被表格数据支持）

Audio（语音）：Automatic Speech Recognition（语音识别）、Audio Classification（语音分类）、Text-to-Speech（文本到语音的生成）、Audio-to-Audio（语音到语音的生成）、Voice Activity Detection（声音检测、检测识别出需要的声音部分）

Multimodal（多模态）：Feature Extraction（特征提取）、Text-to-Image（文本到图像）、Visual Question Answering（视觉问答）、Image2Text（图像到文本）、Document Question Answering（文档问答）

Tabular（表格）：Tabular Classification（表分类）、Tabular Regression（表回归）

Reinforcement Learning（强化学习）：Reinforcement Learning（强化学习）、Robotics（机器人）

API地址（可以自己对着学，博客这里就只是给出些简单介绍）

模型的使用

一般来说，页面上会给出模型的介绍。例如，我们打开其中一个fill-mask任务下下载最多的模型bert-base-uncased。

可以看到模型描述：

使用方法
需要提前安装transformers库，可以直接pip install transformers安装。还有Pytorch或TensorFlow库，读者自行下载。
下载完后可以使用pipeline直接简单的使用这些模型。第一次执行时pipeline会加载模型，模型会自动下载到本地，可以直接用。第一个参数是任务类型，第二个是具体模型名字。

from transformers import pipeline
unmasker = pipeline('fill-mask', model='bert-base-uncased')
unmasker("Hello I'm a [MASK] model.")

模型下载在本地的地址：

C:\Users\【自己的用户名】\.cache\huggingface\hub

当然，不同模型使用方法略有区别，直接通过页面学习或文档学习最好。

可以自定义加载输入分词器:使用AutoTokenizer

from transformers import AutoTokenizer
#下面这种方式可以自动加载bert-base-uncased中使用的分词器
tokenizer=AutoTokenizer.from_pretrained("bert-base-uncased")

可以自定义加载模型结构:使用AutoModel

不包括输入分词器和输出部分！！！

from transformers import AutoModel
#下面这种方式可以自动加载bert-base-uncased中使用的模型，没有最后的全连接输出层和softmax
model=AutoModel.from_pretrained("bert-base-uncased")

可以自定义加载模型和输出部分:使用AutoModelForSequenceClassification等

from transformers import AutoModelForSequenceClassification
#下面这种方式可以自动加载bert-base-uncased中使用的模型（包括了输出部分），有最后的全连接输出层
model=AutoModel.AutoModelForSequenceClassification("bert-base-uncased")

模型保存

model.save_pretrained("./")#保持到当前目录

1个简单流程例子

input=['The first sentence!','The second sentence!']
from transformers import AutoTokenizer
tokenizer=AutoTokenizer.from_pretrained("distilbert-base-uncased-finetuned-sst-2-english")#https://huggingface.co/distilbert-base-uncased-finetuned-sst-2-english
input=tokenizer(input, padding=True, truncation=True, return_tensors='pt')#padding='max_length'
from transformers import AutoModelForSequenceClassification
model=AutoModel.AutoModelForSequenceClassification("distilbert-base-uncased-finetuned-sst-2-english")
print(model)
output=model(**input)
print(output.logits.shape)
import torch
predictions=torch.nn.functional.softmax(output.logits, dim=1)
print(predictions)
print(model.config.id2label)

4.Huggingface的dataset

可以看到有如下任务的数据集。读者可自行打开学习

例如，我们打开Text Classification 任务的glue数据集

可以看到下图，里面会有数据集的介绍、相关信息和下载方式，读者自行查看。

加粗样式
导入数据集方法（提前pip install datasets）

from datasets import load_dataset
datasets=load_dataset("glue","mrpc")#glue下还有其他数据集
print(datasets)
train_data=datasets['train']
print(train_data[0])

有了数据后训练模型方法

#下面给出bert-base-uncased的例子，实现对两个句子的相似度计算
#导入tokenizer
from transformers import AutoTokenizer
tokenizer=AutoTokenizer.from_pretrained("bert-base-uncased")#https://huggingface.co/bert-base-uncased
#input=tokenizer('The first sentence!','The second sentence!')#测试
#print(tokenizer.convert_ids_to_tokens(input["input_id"]))

#实际使用tokenizer的方法，得到tokenizer_data
def tokenize_function(example):
	return tokenizer(example["sentence1"],example["sentence2"],truncation=True)
from datasets import load_dataset
datasets=load_dataset("glue","mrpc")
tokenizer_data=datasets.map(tokenize_function,batched=True)
print(tokenizer_data)

#训练参数
from transformers import TrainingArguments
training_arg=TrainingArguments("test-trainer")#训练参数，可以自己去改，参数意思参考https://huggingface.co/docs/transformers/main_classes/trainer#transformers.TrainingArguments
print(training_arg)#看下默认值

#导入模型
from transformers import AutoModelForSequenceClassification
model=AutoModelForSequenceClassification.from_pre_trained("bert-base-uncased",num_labels=2)#num_labels自己定义了，所以不会导入输出层

#导入数据处理的一个东西DataCollatorWithPadding，变成一个一个batch
from transformers import DataCollatorWithPadding
data_collator=DataCollatorWithPadding(tokenizer=tokenizer)

#导入训练器，进行训练,API : https://huggingface.co/docs/transformers/main_classes/trainer#transformers.Trainer
from transformers import Trainer
trainer=Trainer(model,training_arg,train_dataset=tokenizer_data["train"],eval_dataset=tokenizer_data["validation"],data_collator=data_collator,tokenizer=tokenizer)
trainer.train()

5.Huggingface的spaces

点开如下图所示。里面有些近些天有趣的东西火热的apps。

比如，我看到一个有趣的扩散模型的app。。打开后发现其可以实现许多多模态之间的转换。

6.总结

类似Github，Huggingface里面有好多好东西。一起来玩下下！