一、NLP：自然语言处理

NLP 是机器学习在语言学领域的研究，专注于理解与人类语言相关的一切。NLP 的目标不仅是要理解每个单独的单词，而且能理解这些单词与之相关联的上下文之间的意思。

常见的NLP 任务列表：

• 对整句的分类：如获取评论的好坏、垃圾邮件的分类，如判断两个句子的逻辑相关性；
• 对句中单词的分类：如单词的语法构成（名词、动词、形容词）、单词的实体命名（人、地点、时间）
• 文本内容的生成：如文章续写、屏蔽词填充；
• 语义提取：给定问题，根据上下文信息提前答案；
• 从提示文本生成新句子：如文本翻译、文本总结；

NLP 并不局限于书面文本，它也能解决语音识别、计算机视觉方方面的问题，如生成音频样本的转录、图像的描述等；

二、Transformer

Hugging Face Hub 社区是最大的Transformer开发者的交流地，里面分享了数千个预训练模型，任何人都可以下载和使用。而Transformers 库提供了创建和使用这些共享模型的功能。

# # 安装
pip install transformers# # 导入
import transformers

2.1、pipeline() 管道函数

Transformers 库最基本的对象是pipeline()管道函数，它将必要的预处理和后处理连接起来，使我们能直接输入文本并获取对应需求的答案。将文本传递到管道时主要涉及三个步骤：

1. 人类可理解的文本被预处理为模型可理解的数据格式；
2. 将可理解的数据传递给模型，模型做出预测；
3. 模型的预测再经过后处理，输出人类可理解的文本。

情感分析

from transformers import pipelineclassifier = pipeline("sentiment-analysis")
classifier("I've been waiting for a HuggingFace course my whole life.")
# # [{'label': 'POSITIVE', 'score': 0.9598047137260437}]classifier(["I've been waiting for a HuggingFace course my whole life.", "I hate this so much!"])##  [{'label': 'POSITIVE', 'score': 0.9598047137260437},
##   {'label': 'NEGATIVE', 'score': 0.9994558095932007}]

零样本分类

from transformers import pipelineclassifier = pipeline("zero-shot-classification")
classifier("This is a course about the Transformers library",candidate_labels=["education", "politics", "business"])

2.1、

2.1、