Transformers库总体介绍

Transformers库是什么

Transformers 库是一个在自然语言处理（NLP）领域广泛使用的强大库，提供了一套全面的工具和预训练模型，用于执行各种 NLP 任务。以下是 transformers 库提供的主要功能：

1.预训练模型：该库包含多种预训练模型，如 BERT、GPT（生成式预训练变换器）、RoBERTa、T5 等。这些模型在大型数据集上进行了预训练，可以进行特定下游任务的微调。
2.分词（Tokenization）：该库提供了高效的分词工具，允许将原始文本转换为适用于预训练模型输入的数字表示。分词是为 NLP 任务准备文本数据的关键步骤。
3.模型架构：您可以轻松加载预训练模型并使用其架构进行各种任务。该库支持编码器和解码器架构，适用于分类、翻译、摘要等任务。
4.模型训练和微调：虽然库提供了许多任务的预训练模型，但也允许用户在自己的数据集上对这些模型进行微调。这在需要特定任务或领域的情况下非常有用。
5.优化器和学习率调度器：该库包含常见的优化器（如AdamW）以及学习率调度器，有助于训练和微调过程。
6.Pipeline API： transformers 库提供了一个便捷的 pipeline API，允许您使用几行代码执行各种 NLP 任务。任务包括文本生成、命名实体识别、情感分析、翻译、摘要等。
7.模型仓库：该库维护了一个模型仓库，您可以在其中找到不同任务和语言的各种预训练模型。这使得轻松访问和使用适合特定需求的模型变得简单。
8.与Hugging Face Datasets的集成：该库与 Hugging Face Datasets 库集成，提供各种不同 NLP 任务的数据集。这使得加载和预处理用于训练和评估的数据集变得容易。

Tranformers API

在编码过程中，使用比较多的是调用Transformers API，下面列举了transformers库提供的常用API

最常用的API：
pipeline: 一个用于执行各种NLP任务的简单API，例如文本生成、命名实体识别、情感分析等。
AutoModel 和 AutoTokenizer: 自动加载适合任务和模型的预训练模型和分词器。
BertModel 和 BertTokenizer: 加载和使用BERT模型和分词器。
其他API：
Trainer 和 TrainingArguments: 用于训练和微调模型的API。
pipeline 中特定任务的参数，如generator、ner、text-classification等。
AutoConfig: 自动加载适合模型的配置。
AutoFeatureExtractor: 自动加载适合模型的特征提取器。
AutoModelForSequenceClassification 和 AutoModelForTokenClassification: 自动加载适合任务的预训练模型。

下面是调用pipeline接口完成一个简单的情感分类任务，pipeline中输入任务名称“sentiment-analysis”，因为没有指定具体的模型名称，这里会下载默认的模型。

from transformers import pipelinesentiment_analysis = pipeline("sentiment-analysis")
sentiment_result = sentiment_analysis("I love using transformers library!")
print("\nSentiment Analysis Result:")
print(sentiment_result[0]['label'])

下图是执行py脚本文件的过程，可以看到，下载了一个配置文件config.json,下载了模型，默认模型是"distilbert-base-uncased-finetuned-sst-2-english",还下载了tokenizer_config.json,以及一个分词器tokenizer使用的映射表vocab.txt.

下载完后，执行任务，分析的结果是“输入的句子是一个POSITIVE的情感结果”。在上面代码中，如果要指定特定的模型来完成sentiment-analysis任务,增加model_name参数即可，即pipeline("sentiment-analysis",model_name="xxx")即可。在NLP任务中，为什么需要Tokenizer呢？什么是Tokenizer呢？

Tokenizer

在处理自然语言时，tokenizer 的作用是将文本分割成单词、子词或其他基本单元，这有助于将文本转换为计算机能够理解的形式。主要的原因包括：

文本表示：计算机无法直接理解自然语言，因此需要将文本转换为数字表示。Tokenizer 将文本分割成离散的单元，例如单词或子词，然后为每个单元分配一个唯一的标识符或向量。这样，整个文本就可以被表示为一个数字序列，便于计算机处理。
模型输入：许多自然语言处理（NLP）模型，尤其是深度学习模型，通常接受固定长度的输入。Tokenizer 可以确保输入文本被切分成适当的长度，使其适应模型的输入要求。
处理不规则性：自然语言中存在许多不规则性，如大小写、标点符号、缩写词等。Tokenizer 可以处理这些不规则性，将文本标准化为模型能够处理的形式。
词汇表管理： Tokenizer 通常与一个词汇表（vocabulary）一起使用，该词汇表包含了在训练数据中出现的所有单词或子词。这有助于限制模型的输入空间，并提高模型的泛化能力。
降低计算复杂度： Tokenizer 可以降低计算复杂度，尤其是当处理大量文本数据时。通过将文本标记化为较小的单元，模型可以更高效地处理数据。
特定任务处理：在某些 NLP 任务中，特定的 Tokenization 策略可能是为了更好地捕捉任务相关的信息，例如在情感分析中可能会保留表情符号。

Tokenizer 通常与一个词汇表（vocabulary）一起使用，以确保在文本处理过程中，每个单词或子词都能被映射到一个唯一的标识符或向量。上面下载的vocab.txt就是词汇表。

除了Tokenizer的信息外，还下载了config.json文件，config的内容如下图所示，可以看到都是一些神经网络相关参数。

部分参数作用说明如下所示：

activation (激活函数): "gelu" 表示使用 GELU（Gaussian Error Linear Unit）作为激活函数。GELU 是一种用于神经网络的非线性激活函数。
architectures (模型架构): 包含模型所使用的架构列表。在这个例子中，使用了 DistilBERT 的序列分类版本，即 "DistilBertForSequenceClassification"。
attention_dropout (注意力机制的 dropout): 0.1 表示注意力机制的 dropout 概率为 0.1。这是为了在训练时随机关闭一部分注意力头，以防止过拟合。
dim (模型的隐藏层维度): 768 表示模型的隐藏层维度为 768。
dropout (全连接层的 dropout): 0.1 表示全连接层的 dropout 概率为 0.1。这是为了在训练时随机关闭一些神经元，以防止过拟合。

除了Pipeline API，在加载和使用预训练大模型的常用接口还有AutoModel 和 AutoTokenizer 。

AutoModel && AutoTokenizer

from transformers import AutoModel, AutoTokenizer# 指定模型名称
model_name = "bert-base-uncased"# 使用 AutoTokenizer 加载适用于任务的分词器
tokenizer = AutoTokenizer.from_pretrained(model_name)# 使用 AutoModel 加载适用于任务的预训练模型
model = AutoModel.from_pretrained(model_name)# 输入文本
input_text = "I love using transformers library!"# 使用分词器对文本进行分词，并为模型准备输入
input_ids = tokenizer(input_text, return_tensors="pt")["input_ids"]# 使用模型进行推理
outputs = model(input_ids)# 打印模型输出
print("Model Output:")
print(outputs.last_hidden_state)

上面的代码中，调用的是bert模型，执行上面的代码，结果如下图所示，可以看到，仍然是下载了模型相关的配置文件和模型本身的权重信息，这些文件在huggingface上都能查看到。执行的结果是输出了一段文本的张量信息。