Hugging Face

原创于 2025-07-06 10:28:11 发布 · 127 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#Hugging Face

Hugging Face

基础入门

模型与分词器

进阶用法

什么是 Hugging Face？
Transformers 库全景图
Hugging Face 与深度学习的融合
安装 Transformers 与 Datasets
第一个 Pipeline 程序：一行代码跑大模型
在 CPU、GPU 上运行的区别
pipeline 工作原理
常见任务类型介绍
pipeline 参数详解与技巧
模型命名规则解析
模型下载缓存机制
如何从 Hub 下载或上传模型
什么是分词器？为什么重要？
AutoTokenizer、FastTokenizer 与手动加载
分词对比：BERT vs GPT vs RoBERTa
AutoModel, AutoTokenizer, AutoConfig
自定义配置加载
使用 Auto 系列实现跨模型迁移
使用 Trainer API 微调文本分类模型
如何处理 datasets 数据格式
微调中文预训练模型实战
使用 Accelerate 加速训练-单机多卡训练
混合精度训练
断点续训技巧
使用 evaluate库进行模型评估
模型部署至 Gradio Streamlit
推理优化：ONNX quantization TorchScript
常用 Transformers 模型一览表
中文模型推荐列表

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

hixiaoyang

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

Hugging Face快速入门（重点讲解模型(Transformers)和数据集部分(Datasets)）

iioSnail的博客

08-08

8万+

1. Hugging Face是什么，提供了哪些内容 2. Hugging Face模型的使用（Transformer类库） 3. Hugging Face数据集的使用（Datasets类库）

探秘Hugging Face与DeepSeek：AI开源世界的闪耀双子星

邓邓子的博客

02-11

2113

本文深入探讨 Hugging Face 和 DeepSeek 在 AI 开源领域的卓越贡献，剖析它们的技术优势、应用场景以及对未来 AI 发展的深远影响，带你领略 AI 开源世界的无限魅力。

参与评论您还未登录，请先登录后发表或查看评论

Hugging face

hzhj的博客

01-31

498

是一个很好的开源社区，包含nlp,cv中最新、最先进的模型和数据集等。

HuggingFace快速入门

chengxuyuanyy的博客

06-29

1万+

和 Github 类似，都是Hub(社区)。Hugging Face可以说的上是机器学习界的Github。

AGI 之【Hugging Face】的[ 简单介绍 ] [ 基础环境搭建 ] 的简单整理

仙魁XAN

06-21

1901

目录AGI 之【Hugging Face】的[ 简单介绍 ] [ 基础环境搭建 ] 的简单整理一、简单介绍二、Hugging Face三、环境搭建python 环境的搭建Pycharm 环境搭建1、下载 Pycharm 安装包2、安装 Pycharm3、打开 Pycharm4、Pycharm 的简单使用Hugging face 基础环境搭建附录一、模型中的一些文件说明二、本案例的环境中一些关键库的版本。

Hugging Face学习

weixin_56368033的博客

09-29

1582

Hugging Face学习

DeepSeek多平台本地部署指南：Ollama、LM Studio及Hugging Face部署流程解析及应用

02-02

内容概要：本文详细阐述了DeepSeek这款先进AI语言模型在不同操作系统（Windows、Linux、Mac）上的三种主流部署方式——基于Ollama、LM Studio以及Hugging Face的方法。具体来说，对于每种部署方式，都介绍了安装必要...

Hugging Face系列1：详细剖析Hugging Face网站资源——models/datasets/spaces

shao918516的博客

05-15

3784

本篇主要介绍Hugging Face。它的核心产品是Hugging Face Hub，这是一个基于Git进行版本管理的存储库，已托管大量模型、数据集及Spaces应用。另外，Hugging Face还开源了一系列的机器学习库和界面演示工具Gradio。Hugging Face设计开发了很多学习资源，比如与NLP、扩散模型及深度强化学习等。本篇还介绍了大量Spaces应用，如IDM-VTON、IC-Light、LLM Leaderboard及stable-diffusion-xl-base/refiner等。

Hugging Face Transformers进阶：模型微调与训练

05-03

230

模型微调是指在预训练模型的基础上，针对特定任务进行进一步训练的过程。预训练模型通常在大规模通用语料上进行训练，能够学习到语言的通用特征。然而，这些模型可能无法直接适应特定任务的需求。通过在特定任务的数据集上继续训练，我们可以调整模型的参数，使其更好地捕捉任务相关的特征，从而提升模型在该任务上的性能。定义训练循环是微调过程的核心步骤。加载数据：使用Dataset类加载数据集。定义模型：加载预训练模型，并根据任务需求添加额外的层（如分类层）。定义优化器和损失函数：选择合适的优化器和损失函数。训练模型。

【Hugging Face】Hugging Face 主要类和函数介绍

小哲的博客

04-27

2065

NLP 是语言学和机器学习交叉领域，专注于理解与人类语言相关的一切。NLP 任务的目标不仅是单独理解单个单词，而且是能够理解这些单词的上下文。对整个句子进行分类: 获取评论的情绪，检测电子邮件是否为垃圾邮件，确定句子在语法上是否正确或两个句子在逻辑上是否相关对句子中的每个词进行分类: 识别句子的语法成分（名词、动词、形容词）或命名实体（人、地点、组织）生成文本内容: 用自动生成的文本完成提示，用屏蔽词填充文本中的空白从文本中提取答案: 给定问题和上下文，根据上下文中提供的信息提取问题的答案。

HuggingFace 自然语言处理

Man

10-07

8311

是一个开源社区，提供了统一的AI 研发框架、工具集、可在线加载的数据集仓库和预训练模型仓库。准备数据集，定义模型，训练，测试；每个部分都提供了相应的工具集⽂字是⼀个抽象的概念，不是计算机擅长处理的数据单元，计算机擅长处理的是数字运算，所以需要把抽象的⽂字转换为数字，让计算机能够做数学运算。为了把抽象的⽂字数字化，需要⼀个字典把⽂字或者词对应到某个数字。⼀个⽰意的字典如下：# 字典：这只是⼀个⽰意的字典，所以只有 11 个词，在实际项⽬中的字典可能会有成千上万个词vocab = {

Huggingface 详细使用教程

l18817813618的博客

04-06

7982

Hugging face 详细使用教程

NLP | 一文搞懂如何微调抱脸（Hugging Face）模型

Mo 的博客

11-16

1582

微调自然语言处理（NLP）模型需要更改模型的超参数和架构，并且通常会调整数据集以提高模型在给定任务上的性能。您可以通过调整学习率、模型中的层数、嵌入的大小以及各种其他参数来实现这一点。微调是一个耗时的过程，需要牢牢掌握模型和工作。本文将介绍如何微调抱脸模型。

深度学习笔记：HuggingFace入门使用

weixin_58430619的博客

02-22

7532

Hugging Face 其实可以类比为机器学习领域的 GitHub，它是用于分享、协作和托管预训练模型、数据集和相关代码的平台。其主要的优势是提供了简单易用的 API 和界面，使得即使是没有深厚机器学习背景的用户也能轻松使用这些模型。

Hugging face Transformers（1）—— 基础知识

佚失的诗篇

07-06

1289

Hugging face transformers 库简单介绍

人工智能 | Hugging Face 的应用

ceshiren_com的博客

09-09

1477

社区联合国内 AI 领域合作伙伴与高校机构，致力于通过开放的社区合作，构建深度学习相关的模型开源社区，并开放相关模型创新技术，推动基于“模型即服务”（Model-as-a-Service）理念的模型应用生态的繁荣发展。百度智能云千帆大模型平台（以下简称千帆或千帆大模型平台）是面向企业开发者的一站式大模型开发及服务运行平台。千帆不仅提供了包括文心一言底层模型和第三方开源大模型，还提供了各种 AI 开发工具和整套开发环境，方便客户轻松使用和开发大模型应用。

hugging face基础入门——小模型全量微调

weixin_56696781的博客

11-20

993

那么对这个小模型所做的 sequence classification的全量微调到这就结束了，后续将更新一些其他微调内容及hangingface上组件应用。然后导入下所需模型，这里我用的是IDEA-CCNL/Erlangshen-Roberta-110M-Sentiment。这里定义下我的数据集，用的是ChnSentiCorp_htl_all.csv，划分比例为0.9/0.1。接下来，定义模型的训练和推理函数进行训练，以及模型的保存。本系列下内容为跟随b站课程总结。这里我们写个测试函数。

Hugging face快速入门