使用预训练模型

模型中心使得选择合适的模型变得简单，因此在任何下游库中使用它都可以通过几行代码完成。让我们看看如何实际使用这些模型之一，以及如何回馈社区。

假设我们正在寻找一个可以执行掩码填充的法语模型。

我们选择 `camembert-base` 检查点来尝试它。标识符 `camembert-base` 是我们开始使用它所需要的全部！正如您在之前的章节中所见，我们可以使用 `pipeline()` 函数实例化它

from transformers import pipeline

camembert_fill_mask = pipeline("fill-mask", model="camembert-base")
results = camembert_fill_mask("Le camembert est <mask> :)")

[
  {'sequence': 'Le camembert est délicieux :)', 'score': 0.49091005325317383, 'token': 7200, 'token_str': 'délicieux'}, 
  {'sequence': 'Le camembert est excellent :)', 'score': 0.1055697426199913, 'token': 2183, 'token_str': 'excellent'}, 
  {'sequence': 'Le camembert est succulent :)', 'score': 0.03453313186764717, 'token': 26202, 'token_str': 'succulent'}, 
  {'sequence': 'Le camembert est meilleur :)', 'score': 0.0330314114689827, 'token': 528, 'token_str': 'meilleur'}, 
  {'sequence': 'Le camembert est parfait :)', 'score': 0.03007650189101696, 'token': 1654, 'token_str': 'parfait'}
]

如您所见，在管道中加载模型非常简单。您唯一需要注意的是选择的检查点是否适合它将要执行的任务。例如，这里我们在 `fill-mask` 管道中加载 `camembert-base` 检查点，这完全没问题。但是，如果我们在 `text-classification` 管道中加载此检查点，结果将毫无意义，因为 `camembert-base` 的头部不适合此任务！我们建议使用 Hugging Face Hub 界面中的任务选择器来选择合适的检查点

您也可以使用模型架构直接实例化检查点

from transformers import CamembertTokenizer, CamembertForMaskedLM

tokenizer = CamembertTokenizer.from_pretrained("camembert-base")
model = CamembertForMaskedLM.from_pretrained("camembert-base")

但是，我们建议使用 `Auto*` 类，因为它们在设计上是与架构无关的。虽然前面的代码示例将用户限制在可以在 CamemBERT 架构中加载的检查点，但使用 `Auto*` 类使得切换检查点变得简单

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("camembert-base")
model = AutoModelForMaskedLM.from_pretrained("camembert-base")

使用预训练模型时，请务必检查它是如何训练的、在哪些数据集上训练的、它的局限性和偏差。所有这些信息都应该在其模型卡片上注明。

NLP 课程

使用预训练模型