简介

欢迎来到 🤗 课程！

本课程将教你如何使用来自 Hugging Face 生态系统的库进行自然语言处理 (NLP) — 🤗 Transformers、🤗 Datasets、🤗 Tokenizers 和 🤗 Accelerate — 以及 Hugging Face Hub。它是完全免费的，并且没有广告。

期待什么？

以下是本课程的简要概述

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，你将熟悉 Transformer 模型的工作原理，并了解如何使用来自 Hugging Face Hub 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 章介绍了 🤗 Datasets 和 🤗 Tokenizers 的基础知识，然后深入探讨经典的 NLP 任务。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 章超越 NLP，探索 Transformer 模型如何用于解决语音处理和计算机视觉中的任务。在此过程中，你将学习如何构建和共享模型演示，以及如何针对生产环境对其进行优化。在本部分结束时，你将准备好将 🤗 Transformers 应用于（几乎）任何机器学习问题！

本课程

需要具备良好的 Python 知识
最好是在学习了深度学习入门课程之后再学习，例如 fast.ai 的程序员的实用深度学习或 DeepLearning.AI 开发的其中一个课程。
不需要事先了解 PyTorch 或 TensorFlow，但对其中任何一个有所了解将有所帮助。

完成本课程后，我们建议你查看 DeepLearning.AI 的自然语言处理专业化课程，该课程涵盖了广泛的传统 NLP 模型，例如朴素贝叶斯和 LSTM，这些模型非常值得了解！

我们是谁？

关于作者

Abubakar Abid 在斯坦福大学完成了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，已被用于构建超过 600,000 个机器学习演示。Gradio 被 Hugging Face 收购，Abubakar 现在在那里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，之前曾在 Parse.ly 担任机器学习工程师，在此之前曾在都柏林三一学院担任博士后研究员。他不相信我们能够通过扩展现有架构来实现 AGI，但无论如何都对机器人永生抱有很高的希望。

Lysandre Debut 是 Hugging Face 的机器学习工程师，从 🤗 Transformers 库的早期开发阶段就开始参与其中。他的目标是通过开发具有非常简单 API 的工具，使每个人都能轻松使用 NLP。

Sylvain Gugger 是 Hugging Face 的研究工程师，也是 🤗 Transformers 库的核心维护者之一。此前，他曾是 fast.ai 的研究科学家，并与 Jeremy Howard 合著了《使用 fastai 和 PyTorch 的深度学习》。他的主要研究方向是使深度学习更容易获得，通过设计和改进允许模型在有限资源上快速训练的技术。

Dawood Khan 是 Hugging Face 的机器学习工程师。他来自纽约市，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 辞去工作，与他的联合创始人一起创立了 Gradio。Gradio 最终被 Hugging Face 收购。

Merve Noyan 是 Hugging Face 的开发者布道师，致力于开发工具并围绕它们构建内容，使每个人都能轻松使用机器学习。

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其能够被更广泛的社区使用。他还是 O’Reilly 出版社书籍《使用 Transformer 进行自然语言处理》的合著者。

Leandro von Werra 是 Hugging Face 开源团队的机器学习工程师，也是 O’Reilly 出版书籍《使用 Transformer 进行自然语言处理》的合著者之一。他拥有多年的行业经验，通过在整个机器学习栈中工作将 NLP 项目投入生产。

常见问题

以下是一些常见问题的解答

参加本课程是否会获得证书？ 目前我们没有为本课程提供任何证书。但是，我们正在为 Hugging Face 生态系统开发一个认证计划——敬请期待！
我应该在这门课程上花费多少时间？ 本课程中的每个章节都设计为在一周内完成，每周大约需要 6-8 小时的学习时间。但是，您可以根据需要花费任意时间来完成课程。
如果我有问题，在哪里可以提问？ 如果您对课程的任何部分有任何疑问，只需点击页面顶部的“提问”横幅，即可自动重定向到 Hugging Face 论坛的相关版块。

请注意，如果您希望在完成课程后进行更多练习，论坛上还提供了一份项目建议列表。

在哪里可以获取课程代码？ 对于每个章节，请点击页面顶部的横幅，在 Google Colab 或 Amazon SageMaker Studio Lab 中运行代码。

Link to the Hugging Face course notebooks

包含课程所有代码的 Jupyter 笔记本托管在 huggingface/notebooks 仓库中。如果您希望在本地生成它们，请查看 GitHub 上 course 仓库中的说明。

如何为课程做出贡献？ 有很多方法可以为课程做出贡献！如果您发现错别字或错误，请在 course 仓库中提交问题。如果您想帮助将课程翻译成您的母语，请查看此处的说明。
每个翻译版本做了哪些选择？ 每个翻译版本都有一个词汇表和一个 TRANSLATING.txt 文件，其中详细说明了机器学习术语等的翻译选择。您可以此处查看德语版本的示例。

我可以重复使用本课程吗？ 当然可以！本课程在宽松的 Apache 2 许可证下发布。这意味着您必须给予适当的署名，提供许可证链接，并在进行修改时说明。您可以通过任何合理的方式做到这一点，但不能以任何暗示许可方认可您或您使用的方式进行。如果您想引用本课程，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>]"
}

开始学习

你准备好开始了吗？在本节中，你将学习

如何使用 pipeline() 函数解决 NLP 任务，例如文本生成和分类
关于 Transformer 架构
如何区分编码器、解码器和编码器-解码器架构及其用例

NLP 课程

简介

欢迎来到 🤗 课程！

期待什么？

我们是谁？

常见问题

开始学习