1
00:00:05,680 --> 00:00:06,720
管道功能。  

2
00:00:09,360 --> 00:00:13,280
管道功能最多 
变形金刚库的高级API。  

3
00:00:13,840 --> 00:00:21,200
它将所有步骤都从RAW进行了 
文本可用的预测。使用的模型是  

4
00:00:21,200 --> 00:00:26,720
管道的核心，但管道也 
包括所有必要的预处理（因为  

5
00:00:26,720 --> 00:00:32,800
该模型不期望文本，而是数字） 
以及一些后处理以使输出的输出  

6
00:00:32,800 --> 00:00:39,440
模型人类可读。让我们第一个 
情感分析管道的示例。  

7
00:00:40,480 --> 00:00:46,080
该管道在 
给定输入，并确定它是正面的还是  

8
00:00:46,080 --> 00:00:53,120
消极的。在这里，它归因于积极标签 
在给定的文本上，信心为95％。  

9
00:00:55,440 --> 00:00:59,520
您可以将多个文本传递给 
同一条管道将被处理  

10
00:00:59,520 --> 00:01:05,840
并通过模型作为一个 
批。输出是单个结果的列表，  

11
00:01:05,840 --> 00:01:12,080
与输入文本相同的顺序。我们在这里 
找到相同的标签并为第一个文本得分，  

12
00:01:12,080 --> 00:01:16,480
第二文本是判断的 
积极的信心为99.99％。  

13
00:01:18,480 --> 00:01:22,720
零射击分类管道是 
更通用的文本分类管道：  

14
00:01:23,360 --> 00:01:28,320
它允许您提供标签 
想。在这里，我们想对我们的输入进行分类  

15
00:01:28,320 --> 00:01:35,360
沿标签“教育”，“政治”和 
“商业”。管道成功识别  

16
00:01:35,360 --> 00:01:39,360
这更多的是关于教育的 
其他标签，信心为84％。  

17
00:01:41,440 --> 00:01:47,360
继续其他任务，文本生成 
管道将自动完成给定的提示。这  

18
00:01:47,360 --> 00:01:52,560
输出的生成具有一定的随机性，因此 
每次调用生成器对象时它都会改变  

19
00:01:52,560 --> 00:01:58,960
根据给定的提示。到目前为止，我们已经使用了 
与默认模型关联的管道 API  

20
00:01:58,960 --> 00:02:03,920
每个任务，但您可以将其与任何模型一起使用 
已针对此任务进行了预训练或微调。  

21
00:02:06,320 --> 00:02:12,320
进入模型中心 (huggingface.co/models)， 
您可以按任务过滤可用模型。  

22
00:02:13,120 --> 00:02:16,960
我们使用的默认模型 
前面的例子是 gpt2，  

23
00:02:16,960 --> 00:02:20,080
但还有更多型号 
可用，而且不仅仅是英语！  

24
00:02:21,280 --> 00:02:27,120
让我们回到文本生成管道 
使用另一个模型 distilgpt2 加载它。这是  

25
00:02:27,120 --> 00:02:33,120
由 Hugging 创建的 gpt2 的更轻版本 
面对团队。将管道应用于给定时  

26
00:02:33,120 --> 00:02:39,280
提示，我们可以指定几个参数，例如 
生成文本的最大长度，或  

27
00:02:39,280 --> 00:02:43,520
我们要返回的句子数量（因为 
这一代人有一些随机性）。  

28
00:02:45,920 --> 00:02:50,480
通过猜测下一个单词来生成文本 
句子是gpt-2的预处理目标，  

29
00:02:51,200 --> 00:02:56,240
填充面具管道是预处理 
伯特的目标，这是猜测价值的  

30
00:02:56,240 --> 00:03:02,480
蒙面的单词。在这种情况下，我们最问两个 
缺少单词的可能值（根据  

31
00:03:02,480 --> 00:03:09,120
模型）并获得数学或计算 
可能的答案。另一个任务变压器  

32
00:03:09,120 --> 00:03:13,920
模型可以执行的是对每个单词进行分类 
句子而不是整个句子。  

33
00:03:14,720 --> 00:03:21,040
其中一个例子是命名实体识别， 
这是识别实体的任务，例如  

34
00:03:21,040 --> 00:03:29,360
句子中的人、组织或地点。 
在这里，模型正确地找到了人  

35
00:03:29,360 --> 00:03:36,000
（西尔万），还有组织（拥抱脸） 
作为输入文本内的位置（布鲁克林）。  

36
00:03:37,440 --> 00:03:42,080
使用的 grouped_entities=True 参数 
就是让管道组在一起  

37
00:03:42,080 --> 00:03:46,080
链接到同一的不同单词 
实体（例如在这里拥抱和面对）。  

38
00:03:48,000 --> 00:03:52,160
管道可用的另一项任务 
API是提取问题的回答。  

39
00:03:52,720 --> 00:03:58,080
提供背景和问题，模型 
将在上下文中识别文本的跨度  

40
00:03:58,080 --> 00:04:03,920
包含问题的答案。得到 
很长的文章的简短摘要是  

41
00:04:03,920 --> 00:04:07,840
还有变形金刚库可以 
帮助汇总管道。  

42
00:04:09,360 --> 00:04:15,040
最后，由 
管道API是翻译。我们在这里使用  

43
00:04:15,040 --> 00:04:19,440
在模型中心上找到的法国/英语模型 
获取我们的输入文本的英文版本。  

44
00:04:21,360 --> 00:04:24,720
这是所有的简要摘要 
我们在此视频中研究了任务。  

45
00:04:25,280 --> 00:04:27,840
然后尝试通过推理 
模型中心中的小部件！