Hugging Face's logo

NLP Course documentation

本章简介

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

本章简介

Ask a Question

欢迎来到🤗 Hugging Face 课程

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。

有什么是值得期待的？

以下是课程的简要概述：

Brief overview of the chapters of the course.
  • 第 1 章到第 4 章介绍了 🤗 Transformers 库的主要概念。在本课程的这一部分结束时，你将了解 Transformer 模型的工作原理，并将了解如何使用 Hugging Face Hub 中的模型，在数据集上对其进行微调，并在 Hub 上分享你的结果。
  • 第 5 章到第 8 章在深入研究经典 NLP 任务之前，教授 🤗 Datasets 和 🤗 Tokenizers 的基础知识。在本部分结束时，你将能够自己解决最常见的 NLP 问题。
  • 第 9 章到第 12 章将超越 NLP，探讨如何使用 Transformer 模型解决语音处理和计算机视觉任务。在此过程中，你将学习如何构建和分享模型的演示，并将它们优化为生产环境。完成这部分课程后，你将准备好将 🤗 Transformers 应用于（几乎）任何机器学习问题！

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！

我们是谁？

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。

FAQ

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/) ：

Hugging Face论坛链接

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。

  • 我在哪里可以获得课程的代码？ 对于每个部分，单击页面顶部的横幅可以在 Google Colab 或 Amazon SageMaker Studio Lab 中运行代码：
Hugging Face课程Notebook 链接

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。

  • 我可以使用这门课程再次进行创作吗？ 当然！该课程是根据宽松的 Apache 2 许可证 发布的。这意味着你必须按照诚信的原则，提供许可证的链接，并指出是否进行了更改。你可以以任何合理的方式这样做，但不能以任何表明许可方认可你或你的使用的方式。如果你想引用该课程，请使用以下 BibTeX：
@misc{huggingfacecourse,
  author = {Hugging Face},
  title = {The Hugging Face Course, 2022},
  howpublished = "\url{https://huggingface.co/course}",
  year = {2022},
  note = "[Online; accessed <today>]"
}

让我们开始吧！

你准备好了吗？在本章中，你将学习：

  • 如何使用 pipeline() 函数解决文本生成、分类等 NLP 任务
  • 关于 Transformer 架构
  • 如何区分编码器、解码器和编码器-解码器架构和用例
< > Update on GitHub

←课程简介 自然语言处理→