本课程将教你如何使用 Hugging Face 生态系统的库进行自然语言处理(NLP)。这些库包括 🤗 Transformers、🤗 Datasets、🤗 Tokenizers 和 🤗 Accelerate,以及 Hugging Face Hub。本课程完全免费且无广告。
以下是课程的简要概述:
这个课程:
完成本课程后,我们建议你查看 DeepLearning.AI的自然语言处理系列课程 ,该课程涵盖了诸如朴素贝叶斯和 LSTM 等传统 NLP 模型的广泛内容,非常值得了解!
关于作者:
Abubakar Abid 在斯坦福大学获得应用机器学习博士学位。在攻读博士学位期间,他创立了 Gradio ,这是一个开源 Python 库,已用于构建超过 600,000 个机器学习演示。Gradio 被 Hugging Face 收购,Abubakar 现在在 Hugging Face 担任机器学习团队负责人。
Matthew Carrigan 是 Hugging Face 的机器学习工程师。他住在爱尔兰都柏林,之前在 Parse.ly 担任机器学习工程师,在此之前,他在 Trinity College Dublin 担任博士后研究员。他不相信我们会通过扩展现有架构来实现 AGI,但仍然对机器人永生抱有很高的期望。
Lysandre Debut 是 Hugging Face 的机器学习工程师,从早期的开发阶段就一直致力于 🤗 Transformers 库。他的目标是通过使用非常简单的 API 开发工具,让 NLP 对每个人都变得易用。
Sylvain Gugger 是 Hugging Face 的一名研究工程师,也是 🤗Transformers 库的核心维护者之一。此前,他是 fast.ai 的一名研究科学家,他与 Jeremy Howard 共同编写了 Deep Learning for Coders with fastai and Py Torch 。他的研究重点是通过设计和改进技术,使模型在有限资源上进行快速训练,使深度学习更容易普及。
Dawood Khan 是 Hugging Face 的机器学习工程师。他来自纽约,毕业于纽约大学计算机科学专业。在担任 iOS 工程师几年后,Dawood 辞职并与其他联合创始人一起创办了 Gradio。Gradio 最终被 Hugging Face 收购。
Merve Noyan 是 Hugging Face 的开发者倡导者,致力于开发工具并围绕它们构建内容,以使每个人都可以使用机器学习。
Lucile Saulnier 是 Hugging Face 的机器学习工程师,负责开发和支持开源工具的使用。她还积极参与了自然语言处理领域的许多研究项目,例如协作训练和 BigScience。
Lewis Tunstall 是 Hugging Face 的机器学习工程师,专注于开发开源工具并使更广泛的社区可以使用它们。他也是即将出版的一本书 O’Reilly book on Transformers 的作者之一。
Leandro von Werra 是 Hugging Face 开源团队的机器学习工程师,也是即将出版的一本书 O’Reilly book on Transformers 的作者之一。他拥有多年的行业经验,并在整个机器学习技术栈上进行了工作。
这里有一些经常被提到的问题:
参加本课程是否会获得认证? 目前我们还没有为这门课程提供认证。然而,我们正在为 Hugging Face 生态系统制定认证计划——敬请期待!
我应该在这门课程上花多少时间? 本课程的每一章都设计为在 1 周内完成,每周大约需要 6-8 小时的学习时间。但是,但你可以根据自己的需要随意安排学习时间。
如果我有问题,我可以在哪里提问? 如果你对课程的任何部分有疑问,只需单击页面顶部的“提问”横幅,系统就会自动跳转到 [Hugging Face 论坛](https:// discuss.huggingface.co/) :
请注意,如果你想在完成课程后进行更多练习,论坛上还提供了 项目灵感 列表,如果你希望在完成课程后进行更多实践,可以参考这些想法。
包含课程所有代码的 Jupyter Notebook 托管在 huggingface/notebooks
仓库中。如果你希望在本地生成它们,请查看 GitHub 上 course
仓库中的说明。
我如何为课程做出贡献?
有很多方法可以为课程做出贡献!如果你发现拼写错误或错误,请在 course
仓库中提出问题。如果你想帮助将课程翻译成你的母语,请在 此处 查看说明。
翻译的时候有没有术语表 每个翻译都有一个词汇表和“TRANSLATING.txt”文件,其中详细说明了为机器学习术语等所做的选择。你可以在 此处 找到德语的示例。
@misc{huggingfacecourse,
author = {Hugging Face},
title = {The Hugging Face Course, 2022},
howpublished = "\url{https://huggingface.co/course}",
year = {2022},
note = "[Online; accessed <today>]"
}
你准备好了吗?在本章中,你将学习:
pipeline()
函数解决文本生成、分类等 NLP 任务