总结
在本章中，你了解了如何使用来自🤗Transformers 的高级函数 pipeline() 处理不同的 NLP 任务。你还了解了如何在模型中心（hub）中搜索和使用模型，以及如何使用推理 API 直接在浏览器中测试模型。
我们从最终的效果的角度讨论了 Transformer 模型的工作方式，并讨论了迁移学习和微调的重要性。一个关键的收获是：你可以使用完整的体系结构，也可以仅使用编码器或解码器，具体取决于你要解决的任务类型。下表总结了这一点：
| 模型 | 示例 | 任务 |
|---|---|---|
| 编码器 | ALBERT，BERT，DistilBERT，ELECTRA，RoBERTa | 句子分类、命名实体识别、抽取式问答（从文本中提取答案） |
| 解码器 | CTRL，GPT，GPT－2，Transformer XL | 文本生成 |
| 编码器-解码器 | BART，T5，Marian，mBART | 文本摘要、翻译、生成式问答（生成问题的回答类似 chatgpt） |