Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Jump to bottom

Fix Markdown Typo #720

Open
wants to merge 2 commits into
base: main
Choose a base branch
from
Open

Fix Markdown Typo #720

Changes from all commits
Commits
Show all changes
2 commits
Select commit Hold shift + click to select a range
fcb2ace
Fix Markdown Typo
xufeiranfree Aug 23, 2024
72ab38a
Fix typo: Tips
xufeiranfree Aug 23, 2024
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
16 changes: 13 additions & 3 deletions chapters/zh-CN/chapter1/3.mdx
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -79,7 +79,7 @@ classifier(
让我们来看看其中的一些吧！

## 零样本分类 [[零样本分类]]
我们将首先处理一项非常具挑战性的任务，我们需要对尚未标记的文本进行分类。这是实际项目中的常见场景，因为注释文本通常很耗时并且需要领域专业知识。对于这项任务**zero-shot-classification**pipeline非常强大：它允许您直接指定用于分类的标签，因此您不必依赖预训练模型的标签。下面的模型展示了如何使用这两个标签将句子分类为正面或负面——但也可以使用您喜欢的任何其他标签集对文本进行分类。
我们将首先处理一项非常具挑战性的任务，我们需要对尚未标记的文本进行分类。这是实际项目中的常见场景，因为注释文本通常很耗时并且需要领域专业知识。对于这项任务 `zero-shot-classification` pipeline非常强大：它允许您直接指定用于分类的标签，因此您不必依赖预训练模型的标签。下面的模型展示了如何使用这两个标签将句子分类为正面或负面——但也可以使用您喜欢的任何其他标签集对文本进行分类。

```python
from transformers import pipeline
Expand All @@ -97,8 +97,11 @@ classifier(
```

此pipeline称为zero-shot，因为您不需要对数据上的模型进行微调即可使用它。它可以直接返回您想要的任何标签列表的概率分数！

<Tip>

✏️**快来试试吧！** 使用您自己的序列和标签，看看模型的行为。

</Tip>

## 文本生成 [[文本生成]]
Expand All @@ -118,9 +121,10 @@ generator("In this course, we will teach you how to")
'HTTP'}]
```
您可以使用参数 **num_return_sequences** 控制生成多少个不同的序列，并使用参数 **max_length** 控制输出文本的总长度。

<Tip>

✏️**快来试试吧！** 使用 num_return_sequences 和 max_length 参数生成两个句子，每个句子 15 个单词。

</Tip>

## 在pipeline中使用 Hub 中的其他模型 [[在pipeline中使用 Hub 中的其他模型]]
Expand Down Expand Up @@ -149,7 +153,9 @@ generator(

通过单击选择模型后，您会看到有一个小组件，可让您直接在线试用。通过这种方式，您可以在下载之前快速测试模型的功能。
<Tip>

✏️**快来试试吧！** 使用标签筛选查找另一种语言的文本生成模型。使用小组件测试并在pipeline中使用它！

</Tip>

## 推理 API [[推理 API]]
Expand Down Expand Up @@ -178,7 +184,9 @@ unmasker("This course will teach you all about <mask> models.", top_k=2)
**top_k** 参数控制要显示的结果有多少种。请注意，这里模型填充了特殊的< **mask** >词，它通常被称为掩码标记。其他掩码填充模型可能有不同的掩码标记，因此在探索其他模型时要验证正确的掩码字是什么。检查它的一种方法是查看小组件中使用的掩码。

<Tip>

✏️**快来试试吧！** 在 Hub 上搜索基于 bert 的模型并在推理 API 小组件中找到它的掩码。这个模型对上面pipeline示例中的句子预测了什么？

</Tip>

## 命名实体识别 [[命名实体识别]]
Expand All @@ -200,7 +208,9 @@ ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
我们在pipeline创建函数中传递选项 **grouped_entities=True** 以告诉pipeline将对应于同一实体的句子部分重新组合在一起：这里模型正确地将“Hugging”和“Face”分组为一个组织，即使名称由多个词组成。事实上，正如我们即将在下一章看到的，预处理甚至会将一些单词分成更小的部分。例如，**Sylvain** 分割为了四部分：**S、##yl、##va** 和 **##in**。在后处理步骤中，pipeline成功地重新组合了这些部分。

<Tip>

✏️**快来试试吧！** 在模型中心（hub）搜索能够用英语进行词性标注（通常缩写为 POS）的模型。这个模型对上面例子中的句子预测了什么？

</Tip>

## 问答系统 [[问答系统]]
Expand Down Expand Up @@ -285,4 +295,4 @@ translator("Ce cours est produit par Hugging Face.")

</Tip>

到目前为止显示的pipeline主要用于演示目的。它们是为特定任务而编程的，不能对他们进行自定义的修改。在下一章中，您将了解 **pipeline()** 函数内部的内容以及如何进行自定义的修改。
到目前为止显示的pipeline主要用于演示目的。它们是为特定任务而编程的，不能对他们进行自定义的修改。在下一章中，您将了解 **pipeline()** 函数内部的内容以及如何进行自定义的修改。
Loading