使用预训练模型
模型中心使选择合适的模型变得简单，以便在任何下游库中使用它只需几行代码即可完成。让我们看看如何实际使用这些模型中的一个，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` 检查点进行尝试。标识符 `camembert-base` 是我们开始使用它所需的全部！正如您在前面的章节中所看到的，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。您需要注意的唯一一点是所选检查点是否适合其将要执行的任务。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，如果我们将此检查点加载到 `text-classification` 管道中，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。
您还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，我们建议改为使用 `Auto*` 类，因为这些类在设计上与架构无关。虽然前面的代码示例将用户限制在可在 CamemBERT 架构中加载的检查点，但使用 `Auto*` 类使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，请务必检查其训练方式、使用的数据集、限制和偏差。所有这些信息都应在其模型卡片中说明。