Hugging Face是什么？它作为一个GitHub史上增长最快的AI我的项目，创始人将它的胜利归功于补救了迷信与生产之间的鸿沟。什么意思呢？因为当初很多AI研究者写了大量的论文和开源了大量的代码，然而AI工程师又不能间接很好的应用，而Hugging Face将这些AI模型进行了更好的封装，满足了AI工程师的生产实践须要，大大降低了AI模型应用的门槛。Hugging Face曾经共享了超100,000个预训练模型，10,000个数据集，涵盖了 NLP、计算机视觉、语音、工夫序列、生物学、强化学习等畛域，以帮忙科学家和相干从业者更好地构建模型，并将其用于产品或工作流程。最近发表融资1亿美元，这使其估值达到了20亿美元。
一.Hugging Face模型
模型页面包含各种AI工作，应用的深度学习框架，各种数据集，语言品种，许可证类型等。重点说下各种类型的工作如下：
1.计算机视觉工作
Image Classification，Image Segmentation，Image-to-Image，Unconditional Image Generation，Object Detection
2.自然语言解决工作
Translation，Fill-Mask，Token Classification，Sentence Similarity，Question Answering，Summarization，Zero-Shot Classification，Text Classification，Text2Text Generation，Text Generation，Conversational，Table Question Answering
3.音频工作
Automatic Speech Recognition，Audio Classification，Text-to-Speech，Audio-to-Audio，Voice Activity Detection
4.多模态工作
Feature Extraction，Text-to-Image，Visual Question Answering，Image-to-Text
5.Tabular工作
Tabular Classification，Tabular Regression
6.强化学习工作
Reinforcement Learning
二.Hugging Face文档
1.Hub：在Hugging Face Hub上托管基于Git的模型、数据集和空间。
2.Transformers：Pytorch、TensorFlow和JAX的最新ML。
3.Datasets：拜访和共享CV、Audio和NLP工作的数据集。
4.Tokenizers：疾速tokenizers，针对钻研和生产进行了优化。
5.Gradio：用几行Python构建机器学习演示和其它Web应用程序。
6.Hub Client Library：HF Hub的客户端库：从Python运行时治理存储库。
7.API Inference：通过推理API能够应用超过30k个模型，并且内置可伸缩性。
8.Accelerate：应用multi-GPU，TPU，混合精度容易的训练和应用PyTorch模型。
9.Amazon SageMaker：应用Amazon SageMaker和Hugging Face DLCs训练和部署Transformer模型。
10.Optimum：容易的应用硬件优化工具，来实现HF Transformers的疾速训练和推理。
11.Course：这个课程教你应用HF生态系统的类库来解决NLP问题。
12.Evaluate：更加容易和标准化的评估和报告模型的性能。
13.Tasks：对于机器学习工作的所有：演示，应用例子，模型，数据集和更多。
14.Datasets server：拜访Hugging Face Hub数据集的内容、metadata和根本统计。
三.huggingface/transformers源码
这个库Transformers次要是对于Pytorch、TensorFlow和JAX的机器学习最新进展。Transformers提供了数以千计的预训练模型，反对100多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的主旨让最先进的AI技术人人易用。源码构造如下：
四.抉择句子相似性模型
1.装置transformers库
通过pip命令装置transformers库：
pip install transformers2.抉择模型
工作抉择句子相似性，类库抉择PyTorch，语言选择中文：
3.模型信息介绍
这个页面次要对模型形容，训练数据，训练过程，在线演示等进行了介绍：
这是通过UER-py我的项目预训练的句子嵌入模型9，训练数据应用的[11]，在预训练模型chinese_roberta_L-12_H-768的根底上微调了5个epochs，序列长度为128。在每个epoch完结时，保留在development set上性能最好的模型。微调脚本如下：
python3 finetune/run_classifier_siamese.py --pretrained_model_path models/cluecorpussmall_roberta_base_seq512_model.bin-250000 \ --vocab_path models/google_zh_vocab.txt \ --config_path models/sbert/base_config.json \ --train_path datasets/ChineseTextualInference/train.tsv \ --dev_path datasets/ChineseTextualInference/dev.tsv \ --learning_rate 5e-5 --epochs_num 5 --batch_size 64最初把预训练模型转换为Huggingface的格局：
python3 scripts/convert_sbert_from_uer_to_huggingface.py --input_model_path models/finetuned_model.bin \ --output_model_path pytorch_model.bin \ --layers_num 124.模型文件介绍
次要介绍了训练好的AI模型都有哪些文件组成：
阐明：次要就是模型权重文件，各种配置文件，以及词汇表等组成。
五.计算句子相似性实际
1.可能会遇到的问题
遇到的问题：页面文件太小，无奈实现操作。解决方案如下所示：
重启零碎后会遇到一个零碎属性提醒的问题，因为不影响应用，临时先不解决：
2.相干变体
(1)bert-base-uncased：编码器具备12个隐层，输入768维张量，12个自注意力头，共110M参数量，在小写的英文文本上进行训练而失去。
(2)bert-large-uncased：编码器具备24个隐层，输入1024维张量，16个自注意力头，共340M参数量，在小写的英文文本上进行训练而失去。
(3)bert-base-cased：编码器具备12个隐层，输入768维张量，12个自注意力头，共110M参数量，在不辨别大小写的英文文本上进行训练而失去。
(4)bert-large-cased：编码器具备24个隐层，输入1024维张量，16个自注意力头，共340M参数量，在不辨别大小写的英文文本上进行训练而失去。
(5)bert-base-multilingual-cased(新的举荐)：编码器具备12个隐层，输入768维张量，12个自注意力头，共110M参数量，在104种语言文本上进行训练而失去。
(6)bert-large-multilingual-uncased(原始的不举荐)：编码器具备12个隐层，输入768维张量，12个自注意力头，共110M参数量，在102种语言文本上进行训练而失去。
(7)bert-base-chinese：编码器具备12个隐层，输入768维张量，12个自注意力头，共110M参数量，在简体和繁体中文文本上进行训练而失去。
阐明：uncased是在预处理的时候都变成了小写，而cased是保留大小写。
3.罕用操作
print(tokenizer.vocab) # 词汇表print(tokenizer.tokenize("你好，世界！")) #分词，只能输出字符串print(tokenizer.convert_tokens_to_ids(['你', '好', '，', '世', '界', '！'])) #将词转换成idprint(tokenizer.convert_ids_to_tokens([872, 1962, 8024, 686, 4518, 8013])) #将id转换成词后果输入如下所示：
['你', '好', '，', '世', '界', '！'][872, 1962, 8024, 686, 4518, 8013]['你', '好', '，', '世', '界', '！']4.相似性计算
通过如下代码，失去相似性后果为[0.9864919 0.39011386 0.29779416]，和在线演示失去的后果是统一的。代码如下：
from transformers import BertTokenizer, BertModelfrom sklearn.metrics.pairwise import cosine_similarityimport torchmodel = BertModel.from_pretrained("./sbert-base-chinese-nli")tokenizer = BertTokenizer.from_pretrained("./sbert-base-chinese-nli")sentences = [ "那个人很开心", "那个人十分开心", "那只猫很开心", "那个人在吃货色"]# 初始化字典来存储tokens = {'input_ids': [], 'attention_mask': []}for sentence in sentences: # 编码每个句子并增加到字典 new_tokens = tokenizer.encode_plus(sentence, max_length=15, truncation=True, padding='max_length', return_tensors='pt') tokens['input_ids'].append(new_tokens['input_ids'][0]) tokens['attention_mask'].append(new_tokens['attention_mask'][0])# 将张量列表从新格式化为一个张量tokens['input_ids'] = torch.stack(tokens['input_ids'])tokens['attention_mask'] = torch.stack(tokens['attention_mask'])outputs = model(**tokens)# print(outputs.keys()) #odict_keys(['last_hidden_state', 'pooler_output'])embeddings = outputs.last_hidden_state# print(embeddings.shape) #torch.Size([4, 15, 768])attention_mask = tokens['attention_mask']# print(attention_mask.shape) #torch.Size([4, 15])mask = attention_mask.unsqueeze(-1).expand(embeddings.size()).float()# print(mask.shape) #torch.Size([4, 15, 768])masked_embeddings = embeddings * mask# print(masked_embeddings.shape) #torch.Size([4, 15, 768])summed = torch.sum(masked_embeddings, 1)# print(summed.shape) #torch.Size([4, 768])summed_mask = torch.clamp(mask.sum(1), min=1e-9)# print(summed_mask.shape) #torch.Size([4, 768])mean_pooled = summed / summed_mask# print(mean_pooled.shape) #torch.Size([4, 768])mean_pooled = mean_pooled.detach().numpy()result = cosine_similarity([mean_pooled[0]], mean_pooled[1:])# print(result) #[[0.9864919 0.39011386 0.29779416]]输入后果如下所示：
odict_keys(['last_hidden_state', 'pooler_output'])torch.Size([4, 15, 768])torch.Size([4, 15])torch.Size([4, 15, 768])torch.Size([4, 15, 768])torch.Size([4, 768])torch.Size([4, 768])torch.Size([4, 768])[[0.9864919 0.39011386 0.29779416]]5.局部代码了解
了解上述代码最重要的就是了解从last_hidden_state到mean_pooled的计算过程，即通过BERT模型提取输出句子的tensor，转换为可计算句子相似性的vector的过程。BERT模型提取输出句子的tensor失去last_hidden_state的过程如下：
(1)torch.stack()函数
(2)unsqueeze()和expand()函数
unsqueeze()示意裁减一个维度，expand()裁减为指定的维度，比方裁减为[4, 15, 768]。如下：
(3)torch.clamp()函数
| min, if x_i < miny_i = | x_i, if min <= x_i <= max | max, if x_i > max参考文献：
[1]Huggingface Transformer教程：http://fancyerii.github.io/20...
[2]huggingface transformers的trainer使用指南：https://zhuanlan.zhihu.com/p/...
[3]Hugging Face博客：https://huggingface.co/blog
[4]Hugging Face GitHub：https://github.com/huggingface
[5]How to generate text: using different decoding methods for language generation with Transformers：https://huggingface.co/blog/h...
[6]深度学习实践与实战：进步篇：http://fancyerii.github.io/20...
[7]Pytorch-Transformers：https://huggingface.co/transf...
[8]huggingface/transformers：https://github.com/huggingfac...
[9]dbiir/UER-py：https://github.com/dbiir/UER-py/
[10]UER: An Open-Source Toolkit for Pre-training Models：https://arxiv.org/abs/1909.05658
[11]liuhuanyong/ChineseTextualInference：https://github.com/liuhuanyon...
[12]HuggingFace Transformers最新版本源码解读（一）：https://zhuanlan.zhihu.com/p/...
[13]HuggingFace Transformers最新版本源码解读（二）：https://zhuanlan.zhihu.com/p/...
[14]如何评估微软提出的BEIT-3：通过多路Transformer实现多模态对立建模：https://www.zhihu.com/questio...
[15]google-research/bert：https://github.com/google-res...
[16]教育类数据集汇总：https://aistudio.baidu.com/ai...
[17]UKPLab/sentence-transformers：https://github.com/UKPLab/sen...
[18]SentenceTransformers Documentation：https://www.sbert.net/index.html
[19]Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks：https://arxiv.org/abs/1908.10084
[20]Sentence-BERT: 一种能疾速计算句子类似度的孪生网络：https://www.cnblogs.com/gczr/...
[21]jamescalam/transformers：https://github.com/jamescalam...
本文由mdnice多平台公布