Hugging Face Transformers库实战:从零开始搭建你的第一个NLP模型(2024最新版)

深度解析 Hugging Face Transformers 库:从预训练模型到 NLP 全场景落地 Hugging Face Transformers 库通过标准化的 API 和丰富的生态,让尖端 NLP 技术触手可及。从学术研究到工业落地,其 "预训练 + 微调" 的范式正在重塑各个领域的文本处理流程。对于开发者而言,掌握 HF 库不仅是掌握一个工具,更是理解现代 NLP 技术架构的钥匙。随着多模态模型的成熟,这个生态将持续推动人工智能从单一模态向通用智能演进。 阅读详情

Hugging Face Transformers库实战:从零开始搭建你的第一个NLP模型(2024最新版)

如果你刚踏入自然语言处理(NLP)的世界,面对海量的论文、复杂的框架和层出不穷的模型,可能会感到一丝迷茫。别担心,这种感觉每个开发者都经历过。今天,我们不谈空洞的理论,也不做泛泛的概述,而是直接动手,用当下最流行、也最友好的工具——Hugging Face Transformers库,来搭建你的第一个真正能跑起来的NLP模型。这就像学游泳,最好的方式不是站在岸上看手册,而是跳进水里扑腾几下。本文将扮演你的“泳池教练”,带你一步步完成环境配置、模型选择、数据处理、训练调优到最终评估的全过程。我们会聚焦于那些新手最容易踩坑的细节,并分享一些能让你事半功倍的优化技巧。准备好了吗?让我们开始这段从零到一的实践之旅。

1. 环境搭建与核心库初探

在开始写第一行代码之前,一个稳定、兼容的开发环境是成功的基石。不同于简单的pip install,我们需要系统地规划环境,避免后期因版本冲突而导致的“玄学”错误。

首先,我强烈建议使用虚拟环境来隔离项目依赖。无论是conda还是venv,这都能保证你的项目依赖清单干净、可复现。对于大多数用户,Python 3.8到3.10是兼容性最好的选择。

# 使用 conda 创建环境
conda create -n hf-tutorial python=3.9
conda activate hf-tutorial

# 或者使用 venv
python -m venv hf-env
source hf-env/bin/activate  # Linux/Mac
# hf-env\Scripts\activate  # Windows

接下来是核心库的安装。transformers自然是主角,但它的几个“最佳拍档”同样不可或缺:

  • datasets: 提供海量、便捷的数据集加载与处理功能。
  • accelerate: 简化分布式训练和混合精度训练,让你的代码轻松适应不同硬件。
  • evaluate: 标准化模型评估流程,集成多种评测指标。
  • torch 或 tensorflow: 深度学习后端框架,二选一即可。本文将以PyTorch为例。

注意:安装时最好指定版本,特别是torch,建议先去其官网根据你的CUDA版本获取正确的安装命令,然后再安装其他库,以避免自动安装不兼容的版本。

一个稳健的安装顺序如下:

# 1. 根据你的环境安装PyTorch(请访问 pytorch.org 获取最新命令)
# 例如,对于CUDA 11.8:
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 2. 安装Hugging Face核心套件
pip install transformers datasets accelerate evaluate

# 3. 安装辅助工具,如Jupyter Notebook和可视化工具
pip install notebook matplotlib seaborn scikit-learn

安装完成后,可以通过一个简单的导入测试来验证:

import transformers
import torch
print(f"Transformers version: {transformers.__version__}")
print(f"PyTorch version: {torch.__version__}")
print("CUDA available:", torch.cuda.is_available())

如果一切顺利,你就成功跨出了第一步。此时,你的工具包已经就位,接下来就是理解我们要用到的“武器库”。

Hugging Face生态的核心是 Pipeline、Model、Tokenizer 和 Processor 这四个概念。它们像乐高积木一样,可以灵活组合。

组件核心作用类比
Pipeline高级API,将模型、分词器、后处理打包,实现“一行代码”预测全自动咖啡机,放入咖啡豆(输入文本)即可得到咖啡(预测结果)
Model神经网络架构本体,负责核心的计算与推理咖啡机的引擎和萃取系统
Tokenizer将原始文本转换为模型可理解的数字ID(Token IDs)咖啡研磨机,将咖啡豆研磨成适合萃取的粉末
Processor (多模态)处理多模态输入(如图像+文本),协调对应的特征提取器和分词器多功能饮品机的控制中心,处理咖啡豆、牛奶、糖等多种原料

对于纯文本任务,我们主要与Model和Tokenizer打交道。理解它们如何协同工作,是避免后续数据处理错误的关键。

2. 任务定义与模型选择策略

面对Hugging Face Model Hub上数以万计的预训练模型,新手最容易犯的错误就是盲目选择最“火”或参数最大的模型。模型选择并非越大越好,而是一场在任务匹配度、计算资源、推理速度之间的权衡。

我们的第一个实战项目,选择一个经典且实用的任务:文本分类。具体来说,我们使用emotion数据集,这是一个包含六种基本情绪(悲伤、喜悦、爱、愤怒、恐惧、惊讶)的英文文本分类数据集。它规模适中,非常适合练手。

那么,如何为这个任务挑选第一个模型呢?以下是给你的决策路径:

  1. 确定任务类型:文本分类 -> 寻找适合Sequence Classification的模型。
  2. 权衡模型规模与速度:作为入门,我们不需要Llama-2或GPT这样的巨无霸。轻量级且性能优秀的模型是首选,例如BERT的变种。
  3. 考虑领域适配性:如果任务涉及特定领域(如医学、法律),应优先选择在该领域语料上继续预训练过的模型。对于通用的情绪分类,标准模型即可。
  4. 查看社区验证:在Model Hub上,模型的下载量、点赞数以及相关的社区讨论是重要的参考指标。

基于以上原则,我推荐从 distilbert-base-uncased 开始。它是BERT的蒸馏版本,体积小了约40%,速度快了约60%,而性能保留了97%,在多个标准数据集上表现依然强劲,是入门实践的绝佳选择。

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_name = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=6)

这里,AutoTokenizer和AutoModelForSequenceClassification是Hugging Face提供的工厂类,能根据模型名称自动加载对应的分词器和模型架构。num_labels=6对应了我们情绪分类的类别数。

提示:使用from_pretrained首次加载模型时,会从云端下载模型权重到本地缓存(通常在~/.cache/huggingface)。请确保网络通畅。你也可以通过cache_dir参数指定缓存路径。

选择模型后,我们还需要理解它的“输入契约”。不同的预训练模型有其特定的分词方式和特殊标记。例如,BERT类模型需要[CLS]和[SEP]标记。幸运的是,Tokenizer帮我们封装了所有这些细节,我们只需要知道如何正确地调用它。

3. 数据预处理:从原始文本到模型张量

数据预处理是机器学习项目中最耗时、也最易出错的环节。在NLP中,这步的核心是分词(Tokenization)。我们的目标是将千变万化的句子,转化为一系列模型认识的数字ID,并打包成规整的张量(Tensor)。

让我们加载emotion数据集并观察一下:

from datasets import load_dataset

dataset = load_dataset("emotion")
print(dataset)
print("\n训练集第一条样本:")
print(dataset["train"][0])

你会看到类似这样的输出:

DatasetDict({
    train: Dataset({... features: ['text', 'label'], num_rows: 16000 })
    validation: Dataset({... features: ['text', 'label'], num_rows: 2000 })
    test: Dataset({... features: ['text', 'label'], num_rows: 2000 })
})
训练集第一条样本:
{'text': 'i didnt feel humiliated', 'label': 0}

标签0对应sadness。接下来,我们需要一个函数,将每条文本数据(text)通过分词器进行处理:

def tokenize_function(examples):
    # tokenizer会自动添加[CLS], [SEP],并进行padding和truncation
    # return_tensors="pt" 会直接返回PyTorch张量,但这里我们先返回列表,由datasets处理
    return tokenizer(examples["text"], padding="max_length", truncation=True)

# 使用map函数,批量处理整个数据集
tokenized_datasets = dataset.map(tokenize_function, batched=True)

这里有几个关键参数需要理解:

  • padding="max_length": 将所有序列填充到模型允许的最大长度(这里是512)。也可以设为True进行动态填充(按批次内最长序列填充)。
  • truncation=True: 如果序列超过最大长度,则进行截断。

处理后的数据集,除了原有的text和label,新增了input_ids、attention_mask等字段。attention_mask非常重要,它告诉模型哪些位置是真实的词元(1),哪些是填充的(0),避免模型在填充位置上浪费计算。

为了让数据直接可用于训练,我们还需要做一些格式转换和重命名:

# 重命名标签列,以适配Trainer的默认参数
tokenized_datasets = tokenized_datasets.rename_column("label", "labels")
# 设置数据集格式为PyTorch张量
tokenized_datasets.set_format("torch", columns=["input_ids", "attention_mask", "labels"])

# 查看处理后的单条数据
sample = tokenized_datasets["train"][0]
print(f"Input IDs shape: {sample['input_ids'].shape}")
print(f"Attention Mask shape: {sample['attention_mask'].shape}")
print(f"Label: {sample['labels']}")

至此,原始文本数据已经转化成了规整的数字张量。我们可以从中划分出训练集和验证集(数据集本身已提供),为训练做好准备。

4. 模型训练与超参数调优实战

有了数据和模型,训练似乎就是调用一个fit函数的事情。但要让模型真正学好,而不是过拟合或欠拟合,我们需要精心配置训练参数。Hugging Face的Trainer API极大地简化了这一过程,但它背后的每个参数都值得推敲。

首先,我们需要定义训练参数。TrainingArguments类包含了所有控制训练过程的开关。

from transformers import TrainingArguments, Trainer

training_args = TrainingArguments(
    output_dir="./emotion_classifier",  # 输出目录,存放检查点和日志
    evaluation_strategy="epoch",         # 每个epoch结束后在验证集上评估
    save_strategy="epoch",              # 每个epoch结束后保存模型
    learning_rate=2e-5,                 # 学习率,对于微调,2e-5是一个常用起点
    per_device_train_batch_size=16,     # 每个设备的训练批次大小
    per_device_eval_batch_size=64,      # 每个设备的评估批次大小(可更大)
    num_train_epochs=3,                 # 训练轮数
    weight_decay=0.01,                  # 权重衰减,防止过拟合
    logging_dir="./logs",               # 日志目录
    logging_steps=10,                   # 每10步记录一次日志
    load_best_model_at_end=True,        # 训练结束后加载最佳模型(根据评估指标)
    metric_for_best_model="accuracy",   # 用于选择最佳模型的指标
    report_to="none",                   # 禁用第三方日志记录器(如wandb),简化流程
)

注意:per_device_train_batch_size需要根据你的GPU内存调整。如果出现内存不足(OOM)错误,请减小这个值,或尝试使用梯度累积(gradient_accumulation_steps)。

接下来,我们需要定义一个函数来计算评估指标。这对于监控模型性能至关重要。

import numpy as np
from evaluate import load

metric = load("accuracy")

def compute_metrics(eval_pred):
    logits, labels = eval_pred
    predictions = np.argmax(logits, axis=-1)
    return metric.compute(predictions=predictions, references=labels)

现在,初始化Trainer,并传入模型、数据、参数和评估函数:

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets["train"],
    eval_dataset=tokenized_datasets["validation"],
    compute_metrics=compute_metrics,
)

一切就绪,启动训练!

trainer.train()

训练开始后,你会在控制台看到进度条和损失、评估指标的变化。这个过程可能需要几分钟到几十分钟,取决于你的硬件。训练完成后,Trainer会自动在验证集上评估最终模型,并保存到output_dir中。

常见陷阱与优化技巧:

  • 损失不下降或波动大:首先检查学习率。2e-5对于BERT微调是安全的起点,可以尝试稍微调大(如3e-5)或调小(如1e-5)。也可以使用学习率调度器(TrainingArguments中默认已启用)。
  • 过拟合:如果训练集准确率远高于验证集,说明过拟合。可以尝试增加weight_decay,使用dropout(在模型配置中调整),或者通过数据增强来增加训练数据多样性。
  • 欠拟合:训练集和验证集准确率都低。可以尝试增加训练轮数num_train_epochs,使用更大的模型,或者检查数据预处理是否有误。
  • GPU内存不足:除了减小批次大小,还可以启用梯度检查点(model.gradient_checkpointing_enable())或使用accelerate库进行更精细的混合精度训练和分布式训练。

训练结束后,别忘了保存你的最终模型和分词器,以便将来部署使用:

trainer.save_model("./my_final_emotion_model")
tokenizer.save_pretrained("./my_final_emotion_model")

5. 模型评估、推理与部署预览

模型训练完成并保存后,工作只完成了一半。我们需要系统地评估其性能,并学会如何用它进行预测(推理),最后展望一下如何将其部署到实际应用中。

首先,让我们在独立的测试集上评估模型,这是检验其泛化能力的最终关卡。使用Trainer可以轻松完成:

test_results = trainer.evaluate(tokenized_datasets["test"])
print(f"测试集上的评估结果:{test_results}")

你会得到一个包含eval_loss和eval_accuracy的字典。准确率是直观的指标,但对于类别不平衡的数据集,我们还需要查看分类报告,它包含了精确率、召回率、F1分数等更细致的指标。

from sklearn.metrics import classification_report
import torch

# 获取测试集所有预测
predictions_output = trainer.predict(tokenized_datasets["test"])
predictions = np.argmax(predictions_output.predictions, axis=1)
labels = predictions_output.label_ids

# 标签ID到名称的映射(根据emotion数据集说明)
id2label = {0: 'sadness', 1: 'joy', 2: 'love', 3: 'anger', 4: 'fear', 5: 'surprise'}

target_names = [id2label[i] for i in range(6)]
print(classification_report(labels, predictions, target_names=target_names, digits=4))

这份报告能告诉你模型在哪个具体情绪类别上表现好或差。例如,可能模型识别“喜悦”很准,但容易混淆“爱”和“悲伤”。这为后续的模型优化提供了明确方向。

评估满意后,就是激动人心的推理环节了。我们将加载刚保存的模型,并尝试对新文本进行预测。

from transformers import pipeline

# 使用pipeline,这是最简单的方式
classifier = pipeline("text-classification", model="./my_final_emotion_model", tokenizer="./my_final_emotion_model")

new_texts = [
    "I am absolutely thrilled with the results!",
    "This is just making me so angry and frustrated.",
    "I have a deep fear of what might happen next."
]

results = classifier(new_texts)
for text, result in zip(new_texts, results):
    print(f"文本: {text}")
    print(f"预测情绪: {result['label']}, 置信度: {result['score']:.4f}\n")

pipeline封装了加载模型、分词、推理、后处理的全过程,对于快速验证和简单应用极其方便。如果你需要更底层的控制,也可以手动加载模型和分词器进行推理:

# 手动推理示例
model_inference = AutoModelForSequenceClassification.from_pretrained("./my_final_emotion_model")
tokenizer_inference = AutoTokenizer.from_pretrained("./my_final_emotion_model")

inputs = tokenizer_inference(new_texts[0], return_tensors="pt", truncation=True, padding=True)
with torch.no_grad():
    outputs = model_inference(**inputs)
    logits = outputs.logits
    predicted_class_id = logits.argmax().item()
    confidence = torch.nn.functional.softmax(logits, dim=-1)[0][predicted_class_id].item()

print(f"手动推理结果:情绪ID {predicted_class_id} ({id2label[predicted_class_id]}), 置信度 {confidence:.4f}")

最后,我们来聊聊部署。一个训练好的模型最终需要服务于应用。对于Web服务,一个常见的选择是使用 FastAPI 框架将模型包装成REST API。

# 这是一个简化的FastAPI应用示例代码框架
from fastapi import FastAPI
from pydantic import BaseModel
import torch

app = FastAPI()
# 在实际应用中,这里应加载你的模型和分词器
# model, tokenizer = load_your_model()

class TextRequest(BaseModel):
    text: str

@app.post("/predict")
async def predict(request: TextRequest):
    # 1. 使用tokenizer处理输入文本
    # inputs = tokenizer(request.text, return_tensors="pt", truncation=True, padding=True)
    # 2. 模型推理
    # with torch.no_grad():
    #     outputs = model(**inputs)
    #     prediction = torch.argmax(outputs.logits, dim=-1).item()
    # 3. 返回结果
    # return {"emotion": id2label[prediction]}
    return {"message": "Prediction endpoint would work here."}

# 运行: uvicorn main:app --reload

将这个API部署到云服务器,前端应用就可以通过HTTP请求来获取情绪分类结果了。对于移动端或边缘设备,则可以考虑使用 ONNX 或 TensorRT 等格式对模型进行优化和转换,以提升推理效率。

走完这五步,你已经完成了一个完整的NLP模型开发周期。从环境搭建到模型部署的预览,每一个环节都亲手实践过。过程中遇到的每一个错误和解决它的过程,都比顺利运行一遍代码更有价值。记住,这只是起点。Hugging Face生态里还有更多高级特性等待探索,比如自定义模型、使用peft进行高效参数微调、探索多模态模型等。保持好奇,动手去试,下一个项目你可以尝试一个文本生成任务,或者挑战一下更复杂的数据集。编码愉快!

Windows安装Hugging Face Transformers库并实现案例训练的详细教程 访问Python官网(https://www.python.org/downloads/windows/),下载适用于Windows的Python 3.10+安装包(推荐最新版Python 3.13.2)。这是一个包含Yelp评论和评分的数据集,通常用于文本分类任务。访问PyTorch官网(https://pytorch.org/),选择适合的配置(若有独立支持GPU,推荐CUDA版本)(在页面的中间位置)。加载训练好的模型,可以应用于各种NLP任务,如:文本分类、问答系统、文本生成、序列标注等。 阅读详情

相关推荐

Transformer架构和Transformers 库和Hugging Face

和之间的关系非常紧密,Hugging Face 是推动 Transformer 架构普及和应用的重要力量。

m0_68654129的博客 2170

自然语言处理Hugging Face Transformers

Hugging Face Transformers 是一个基于 PyTorch 和 TensorFlow 的开源库,专注于 最先进的自然语言处理(NLP)模型,如 BERT、GPT、RoBERTa、T5 等。它提供了 预训练模型、微调工具和推理 API,广泛应用于文本分类、机器翻译、问答系统等任务。

wangmengmeng99的博客 1526

走进Hugging Face Transformers库:自然语言处理的全能工具包

Hugging Face Transformers库凭借其丰富的预训练模型、易用的API、强大的功能和活跃的社区,成为自然语言处理领域不可或缺的工具。通过这个GitHub仓库,开发者和研究者能够便捷地获取资源、交流经验,推动NLP技术在更多领域的应用与创新。无论是探索技术前沿,还是开发实际应用,Hugging Face Transformers库都值得深入研究与使用。如果你对NLP感兴趣,不妨从这个项目开始,开启属于你的人工智能之旅!

wylee的博客 807

使用 Hugging Face Transformers 创建文本生成模型

文本生成是自然语言处理中的一个重要任务,在聊天机器人、自动写作等领域有着广泛的应用。Hugging Face Transformers 是一个流行的 Python 库,它提供了大量预训练的模型以及API来实现各种自然语言处理任务。本文将详细介绍如何使用 Hugging Face Transformers 库来创建一个简单的文本生成模型,并且展示如何使用该模型生成新的文本。文本生成是自然语言处理中的一项重要技术,可以应用于多种场景,例如智能客服、故事创作等。

Envyᥫᩣ的博客 2611

引领AI新时代:Hugging Face与Transformers库的创新与应用

Hugging Face及其Transformers库无疑是当今AI领域的重要创新力量。它不仅通过开源和社区推动了Transformer架构的广泛应用,还为开发者和研究人员提供了一个强大且易于使用的工具,极大地降低了AI技术的入门门槛。随着NLP和AI技术的不断演进,Hugging Face将继续扮演着推动AI行业革新与发展的重要角色,开启更加智能化的未来。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 880

机器翻译:Hugging Face库详解

Hugging Face的Transformers库为机器翻译提供了强大的支持,其核心优势在于:1)提供丰富的预训练模型(如BERT、GPT、T5等)和统一API接口;2)通过transformers、datasets、tokenizers三大核心库构建高效NLP工作流;3)支持多框架兼容和模型量化优化。该生态系统的核心理念是"民主化AI",通过标准化工具链和开源社区降低使用门槛。典型案例展示,仅需几行代码即可完成从文本预处理到翻译结果输出的完整流程,显著提升开发效率。

数据知道的博客 8847

【Hugging Face】transformers 库:预训练模型库

Hugging Face提供的transformers库是一个强大、易用的NLP&计算机视觉预训练模型库,支持PyTorch和TensorFlow。它包含了BERT、GPT、T5、RoBERTa、BART、Whisper、Stable Diffusion等大规模Transformer预训练模型,广泛应用于文本分类、文本生成、机器翻译、问答系统、语音处理等任务。

彬彬侠的博客 2383

Hugging Face Transformers 库

Hugging Face Transformers 库 1. 背景介绍 1.1 问题由来 Hugging Face Transformers(Hugging Face Transformers)是一个广泛使用的深度学习库,专

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 1545

基于Hugging Face -Transformers的预训练模型微调

基于Hugging Face -Transformers的预训练模型微调

lw19155275856的博客 1314

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。

AI天才研究院 3964

掌握Hugging Face Transformers框架:NLP模型训练与应用

自然语言处理(NLP)一直是人工智能领域的一个重要分支。近年来,随着深度学习的发展,NLP的技术进展突飞猛进,特别是在预训练模型的应用上,Hugging Face Transformers框架成为了该领域的领军者。Transformers框架提供了一个灵活而强大的平台,允许研究人员和开发人员快速部署和训练各种预训练语言模型。它简化了复杂模型的使用过程,极大提升了研究效率和开发速度。

weixin_33816734的博客 1240

Hugging Face Transformers 生态:AI 开发者的核心生产力工具

Hugging Face Transformers库提供了从模型调用到定制的全流程工具链。核心组件包括:1)Pipeline接口,通过5行代码即可实现100+种NLP任务,支持批量处理和零样本分类;2)AutoClass动态加载机制,自动适配不同模型架构,解耦模型实现与接口调用。文章详细解析了文本到张量的转换流程、输入输出数据结构,并通过代码示例展示了不同任务的处理方式。最佳实践建议原型开发使用Pipeline,生产部署采用AutoClass,实现效率与灵活性的平衡。

qq_43947876的博客 1650

CMake接口库实战:如何用add_library的INTERFACE选项管理跨项目依赖

本文深入探讨了CMake中add_library的INTERFACE选项在管理跨项目依赖时的实战应用。通过创建不包含源代码的接口库,开发者可以集中管理头文件路径、编译定义、链接库等公共配置,并将其声明式地传递给依赖目标。文章以构建模块化跨平台网络应用为例,详细展示了如何利用接口库实现配置的集中化、依赖关系的显式化,从而提升大型项目的可维护性和可移植性。

water的专栏 1041

深入浅出Transformer:使用Hugging Face库快速上手NLP

在Transformer模型出现之前,自然语言处理领域主要被循环神经网络(RNN)及其变体LSTM和GRU主导。梯度消失/爆炸问题:长序列训练困难顺序计算限制:无法并行处理,训练效率低长距离依赖捕捉能力有限:即使LSTM也难以处理超长序列2017年,Vaswani等人在论文《Attention Is All You Need》中提出了Transformer模型,彻底改变了NLP的发展轨迹。自注意力机制(Self-Attention):全面捕捉序列中任意位置的关系完全并行化架构:显著提升训练效率。

闲人编程的博客 1564

STM32 Nucleo-144开发板开箱bring-up

最近做项目,用到STM32F446ZET6这款MCU,为了赶进度,前期软件需要提前开发,于是在某宝买了对应主控的官方开发板,为了避免遗忘,后面能翻出来回忆一些细节,就形成了本篇的主要内容,同时也希望能够帮助刚上手的小伙伴少走弯路,如果对你有帮助请点赞、收藏、转发,谢谢!

汽车电子软件领域知识分享 2682

Qt中常见的面试题总结

基于Qt开发的一些常用面试题

一名热爱编程的程序员 8494

基于 Hugging Face Transformers 搭建情感分析模型:从原理到实战

本文系统介绍了基于HuggingFace Transformers的中文情感分析实现方案。首先解析了Transformer架构和BERT模型的核心原理,详细阐述了自注意力机制和预训练语言模型的技术优势。随后展示了完整实现流程:包括环境配置、数据预处理(清洗电商评论数据)、文本编码(BERT分词)、模型训练(使用Trainer API)、评估优化(准确率达95%以上)等环节。特别提供了数据增强、模型融合等优化策略,并实现了本地推理和FastAPI接口部署方案。全文兼顾理论深度与实践指导,包含可视化分析、完整代

qq_56999332的博客 1158

技能伤害继承英雄属性【War3地图编辑器】

风暴之锤跟随山丘之王的力量增长

ArYe 2313

快速上手 Hugging Face Transformers:完整模型微调训练步骤全攻略

在自然语言处理(NLP)领域,模型微调(Fine-Tuning)是提升预训练模型在特定任务上表现的关键步骤。本文将详细介绍如何使用 Hugging Face Transformers 库进行模型微调训练,涵盖数据集下载、数据预处理、训练配置、评估、训练过程以及模型保存。我们将以 YelpReviewFull 数据集为例,逐步带您完成模型微调训练的整个过程。

lyy2017175913的博客 7066

【unity实战】使用unity的Navigation+LineRenderer实现一个3D人物寻路提前指示预测移动轨迹的效果,并可以适配不同的地形

本文介绍了在Unity中使用Navigation导航系统和LineRenderer实现3D人物寻路轨迹预测效果的方法。通过NavMesh.CalculatePath计算路径点,结合Physics.Raycast进行地面点投射,将路径点赋予LineRenderer渲染出移动轨迹。关键点包括:1)利用NavMesh.CalculatePath计算两点间可行走路径;2)通过射线检测获取地面点提高路径适配性;3)使用协程定期更新路径绘制。文章还提供了完整代码实现,并说明需要将地面图层设置为Ground并进行导航网格

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 464

Oracle EBS R12.2.X JSP部署、编译和配置相关操作。

系统环境 RDBMS : 12.1.0.2.0 Oracle Applications : 12.2.6 背景 在某项目上,需要开发JSP相关程序,比如单点登陆、打印二维条码。当前把JSP部署编译以后,访问提示错误:Requested resource or page is not allowed in this site, 通过查SR发现Oracle EBS R12.2.X版本对客制化JSP进行权限控限,需要设置某些配置文件。 实例操作步骤 上传JSP文件 通常上传到$OA_HTML目录或其子目

陈显平的专栏-Oracle EBS 1913
上一篇: Pixhawk4飞控与FS-IA6B接收机连接全指南:从硬件对接到遥控校准
下一篇: 5G工业网关实战:用NXP LS1046A核心板搭建WiFi6路由器的完整指南
人间清醒863
博客等级 码龄3年 33粉丝 1544原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值