大模型微调实战演练：使用代码剖析 Transformers Pipelines工作原理

关注

原创最新推荐文章于 2026-09-04 10:57:15 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

NLP 入门：使用 Hugging Face Transformers Pipelines 自然语言处理（NLP）的进步为企业从文本数据中获取价值提供了前所未有的机会。自然语言处理可用于广泛的应用，包括文本摘要、命名实体识别（例如人和地点）、情感分类、文本分类、翻译和问答。在许多情况下，可以从之前在大型文本数据集上训练的机器学习模型中获得高质量的结果。其中许多预先训练的模型都可以在开源中找到，并且可以免费使用。Hugging Face是这些模型的一个重要来源，他们的变形金刚库是一个易于使用的工具，用于应用模型并使它们适应您自己的数据。也可以使用对您自己的数据进行微调来调整这些模型。阅读详情

前言

在自然语言处理（NLP）领域，Transformers 模型已经成为了主流技术之一。无论是文本分类、情感分析，还是机器翻译，Transformers 都展现了强大的性能。今天，我们来详细解析一下 Transformers Pipelines 的运行原理，帮助大家更好地理解其内部机制。

一、基本流程

Transformers Pipeline 的运行流程主要分为四个阶段：Tokenization、Model Inference、Post-Processing 和 Prediction。下面我们详细讲解每一个阶段的具体作用，并通过代码示例进行演示。

1. Tokenization（分词）

原始文本（Raw Text）首先会经过Tokenizer进行处理。Tokenizer的任务是将输入的自然语言文本转换为模型能够理解的输入格式。这一过程包括：

分词： 将句子拆分成一个个单词或子词。
映射到ID：将这些单词或子词映射到预定义的词汇表中的唯一标识符（Token IDs）。

代码示例：


from transformers import BertTokenizer

# 初始化BERT的Tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 输入句子
sentence = "This course is amazing!"

# 使用Tokenizer进行分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)

print(f"Token IDs: {input_ids}")

在这个示例中，我们使用BERT的Tokenizer对句子进行处理，得到的Token IDs如下：

Token IDs: [101, 2023, 2607, 2003, 6429, 999, 102]

2. Model Inference（模型推理）

接下来，Token IDs 会被输入到预训练的Transformers模型中。这一阶段的主要任务是通过模型的多层神经网络结构，计算出每个Token的特征表示。模型的输出通常是Logits，即每个类别的未归一化的概率值。

代码示例：


import torch
from transformers import BertModel

# 初始化BERT模型
model = BertModel.from_pretrained('bert-base-uncased')

# 将Token IDs转化为Tensor
input_ids = torch.tensor([input_ids])

# 模型推理，得到输出
with torch.no_grad():
    outputs = model(input_ids)

# 获取最后一层的隐状态
last_hidden_states = outputs.last_hidden_state

print(f"Last Hidden States: {last_hidden_states}")

在这个示例中，我们将Token IDs输入到BERT模型中，得到最后一层的隐状态（即Logits）。

3. Post-Processing（后处理）

在得到Logits之后，需要对其进行后处理。在大多数情况下，后处理过程包括将Logits转化为实际的概率值（通过Softmax函数），并根据具体任务进行进一步的处理。

代码示例：


from torch.nn.functional import softmax

# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

print(f"Probabilities: {probabilities}")

在这个示例中，我们对Logits进行Softmax处理，得到每个类别的概率值。

4. Prediction（生成结果）

最后一步是生成最终的预测结果。根据后处理得到的概率值，选择概率最高的类别作为最终的预测结果。例如，对于情感分析任务，可能会输出正面和负面情感的概率值：

POSITIVE: 99.89%
NEGATIVE: 0.11%

代码示例：


from torch.nn.functional import softmax

# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

print(f"Probabilities: {probabilities}")

在这个示例中，我们根据概率值选择了概率最高的类别作为最终的预测结果。

二、具体示例

让我们通过一个具体的例子来更好地理解这个过程：

输入句子：“This course is amazing!”
经过Tokenizer处理，得到Token IDs [101, 2023, 2607, 2003, 6429, 999, 102]。
将Token IDs输入模型，得到Logits [-4.3630, 4.6859]。
通过后处理，将Logits转化为概率值。
最终预测结果：POSITIVE 99.89%，NEGATIVE 0.11%。

完整代码示例：


from transformers import BertTokenizer, BertForSequenceClassification
import torch
from torch.nn.functional import softmax

# 初始化BERT的Tokenizer和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

# 输入句子
sentence = "This course is amazing!"

# 分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)
input_ids = torch.tensor([input_ids])

# 模型推理，得到logits
with torch.no_grad():
    outputs = model(input_ids)
logits = outputs.logits

# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)

# 定义类别
labels = ["NEGATIVE", "POSITIVE"]

# 获取概率最高的类别
predicted_label = labels[torch.argmax(probabilities)]

print(f"Prediction: {predicted_label}")