Transformers 库指南

transformers 是 Hugging Face 开发的旗舰级 Python 库，它提供了一个统一的 API 来下载、加载和微调最先进的预训练模型。

#核心设计理念

Transformers 库围绕三个核心对象构建：

Tokenizer：将文本转换为模型可以理解的数字（Input IDs）。
Model：神经网络架构及其权重。
Configuration：存储模型架构参数。

#极简使用：Pipeline API

pipeline() 是库中最简单直接的工具，适合快速部署和测试。

python
from transformers import pipeline

# 1. 情感分析 (Sentiment Analysis)
classifier = pipeline("sentiment-analysis")
print(classifier("We are very happy to show you the 🤗 Transformers library."))

# 2. 文本生成 (Text Generation)
generator = pipeline("text-generation", model="gpt2")
print(generator("In this course, we will teach you how to", max_length=30))

# 3. 命名实体识别 (NER)
ner = pipeline("ner", grouped_entities=True)
print(ner("My name is Sylvain and I work at Hugging Face in Brooklyn."))

#标准使用：Auto Classes

当你需要更多控制权时，可以使用 AutoTokenizer 和 AutoModel 类。它们能根据模型名称自动加载正确的架构。

python
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

checkpoint = "distilbert-base-uncased-finetuned-sst-2-english"

# 加载分词器
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
# 加载带分类头的模型
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)

sequences = ["I've been waiting for a HuggingFace course my whole life.", "So hate this!"]

# 编码输入
inputs = tokenizer(sequences, padding=True, truncation=True, return_tensors="pt")

# 前向传播
with torch.no_grad():
    outputs = model(**inputs)
    # 获取逻辑值 (Logits)
    predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
    print(predictions)

#常用模型后缀

根据任务选择合适的 AutoModelFor... 类：

AutoModelForCausalLM：因果语言模型（如 GPT-2, Llama）。
AutoModelForMaskedLM：掩码语言模型（如 BERT, RoBERTa）。
AutoModelForSequenceClassification：序列分类。
AutoModelForTokenClassification：词元分类（如 NER）。
AutoModelForQuestionAnswering：问答系统。

#模型保存与加载

python
# 保存本地
tokenizer.save_pretrained("./my_saved_model")
model.save_pretrained("./my_saved_model")

# 从本地加载
tokenizer = AutoTokenizer.from_pretrained("./my_saved_model")
model = AutoModelForSequenceClassification.from_pretrained("./my_saved_model")

#进阶功能：Trainer API

Trainer 是一个高性能、全功能的训练循环实现，它抽象了复杂的 PyTorch 代码。

python
from transformers import Trainer, TrainingArguments

training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=16,
    evaluation_strategy="epoch",
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    tokenizer=tokenizer,
)

trainer.train()

#性能优化

Quantization (量化)：使用 bitsandbytes 库加载 4-bit 或 8-bit 模型以节省显存。
Flash Attention：通过 attn_implementation="flash_attention_2" 加速长序列计算。
Device Map：使用 device_map="auto" 实现多显卡模型切分。

提示：Transformers 库支持 PyTorch、TensorFlow 和 JAX 三大深度学习框架。

Hugging Face 模型库指南