在 Google Colab 中使用 Hugging 人脸模型：初学者指南

本指南将指导您在 Google Colab 中使用 Hugging Face 模型。我们将涵盖从设置使用 GPU 的 Colab 环境到运行您的第一个 Hugging Face 模型的所有内容。Hugging Face提供预先训练的模型，让您无需从头开始即可轻松构建强大的自然语言处理 (NLP) 和机器学习应用程序。

预备知识

了解以下内容会很有帮助：

Python：熟悉Python语法。
机器学习：了解分类、文本生成和嵌入等机器学习任务。
Google Colab：使用 Colab 笔记本的基本技能。
Hugging Face 基础知识：了解变压器、管道和 Hugging Face Hub 等概念。

步骤 1：使用 GPU 设置 Google Colab

运行 Hugging Face 模型（尤其是基于 Transformer 的模型）可能会占用大量资源，因此在 Colab 中设置 GPU 将有助于加快速度。

打开一个新的 Colab 笔记本：
- 转到Google Colab，创建一个新的笔记本，并根据需要命名。
将运行时更改为 GPU：
- 在顶部菜单中，转到运行时>更改运行时类型。
- 将硬件加速器设置为GPU并单击保存。

验证 GPU：
- 要确认您的 GPU 设置，请运行以下命令：
```
 !nvidia-smi
```

这将显示有关您的会话可用的 GPU 的信息。

步骤 2：安装 Hugging Face 库

要访问 Colab 中的 Hugging Face 模型，您需要安装 Hugging Facetransformers库，其中包括预先训练的模型和管道。

安装 Hugging Face Transformers 库：
- 在新单元中，运行以下命令：
```
 !pip install transformers
```
安装其他可选库（如果需要）：
- 如果您的任务需要数据集或标记器，您可以从 Hugging Face 安装其他库：
```
 !pip install datasets
 !pip install tokenizers
```

步骤 3：在 Hugging Face Hub 上探索并选择模型

Hugging Face 提供了大量可用于各种任务的模型库。以下是如何查找和选择模型的方法：

访问 Hugging Face Hub：
- 前往Hugging Face Hub并按任务浏览模型，例如文本分类、摘要或图像处理。
按任务和模型过滤：
- 使用“任务”选项卡根据您的任务要求（例如，情感分析、文本生成）过滤模型。
- 您还可以按特定类别（如 NLP、计算机视觉和音频）探索模型。

3）选择型号并复制使用代码：

每个模型都有一个“使用”部分，其中包含使用该模型的示例代码。选择一个模型并将此代码复制到您的 Colab 笔记本中，即可轻松进行设置。

步骤 4：在 Google Colab 中使用该模型

选择模型后，您可以使用提供的代码片段直接在 Colab 中加载并运行该模型。以下是设置分类器模型的分步示例。

导入管道功能：
- Hugging Face 中的函数pipeline可以通过指定任务类型来轻松加载模型。在 Colab 笔记本中运行以下代码：
```
 from transformers import pipeline
```
初始化模型管道：
- 在这里，我们将使用以下内容初始化情绪分析模型pipeline：
```
 # Set up a sentiment-analysis pipeline
 classifier = pipeline("sentiment-analysis")
```

这将创建一个classifier可用于对文本输入进行分类的对象。如果您未指定模型名称，pipeline则将为该任务加载默认模型。

在示例文本上运行模型：

现在，让我们对一些文本使用分类器：

 result = classifier("I love using Hugging Face models in Colab!")
 print(result)

输出将显示分类标签（例如，POSITIVE 或 NEGATIVE）以及置信度分数。

明确指定模型（可选）：
- 要使用 Hugging Face Hub 中的特定模型，请将模型名称作为参数传递：
```
 classifier = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
```

如果您有首选的架构或语言支持，指定模型会很有用。

步骤5：尝试其他任务和模型

Hugging Face 模型不仅限于情绪分析。您可以通过更改pipeline函数中的任务名称来尝试其他任务：

文本生成：

  generator = pipeline("text-generation", model="gpt2")
  result = generator("Once upon a time,")
  print(result)

翻译：

  translator = pipeline("translation_en_to_fr")
  result = translator("I love coding in Python!")
  print(result)

问答：

  question_answerer = pipeline("question-answering")
  result = question_answerer({
      "question": "What is the capital of France?",
      "context": "Paris is the capital of France."
  })
  print(result)

附加提示

探索拥抱脸教程：有关特定任务的指南，请查看拥抱脸任务页面。
使用大型语言模型 (LLM) 进行实验：您可以在GitHub上找到精选的开源 LLM 列表，在那里您可以为您的任务发现更强大的模型。
用作 API 端点：
使用Python FastAPI服务器或Node.js Express服务器，您可以创建一个使用 Hugging Face 模型的 API。以下是每种方法的简要回顾：
Python FastAPI：
- 直接使用 Hugging Face 的transformers库。
- 无需依赖 Hugging Face Inference API 即可提供模型灵活性。
- 如果您熟悉 Python 并需要自定义设置，这是理想的选择。示例->
Node.js Express：
- 使用 Hugging Face Inference API 进行推理。
- 无需安装大型模型文件；非常适合轻量级设置。
- 如果您喜欢使用 JavaScript 和 Node.js，那么这是一个很好的选择。示例->

这两种方法都允许您将 Hugging Face 强大的模型集成到您的应用程序中，从而实现文本生成、情感分析、图像分类等任务！

按照以下步骤，您只需极少的设置即可在 Google Colab 上运行各种 Hugging Face 模型。此pipeline功能简化了初学者的模型使用，让您专注于实验 NLP 和 ML 模型，快速获得令人印象深刻的结果。

鏂囩珷鏉ユ簮锛�https://dev.to/ajmal_hasan/using-hugging-face-models-in-google-colab-a-beginners-35ll