1 介绍 

• pipeline() 是使用预训练模型进行推理的最简单和最快速的方式。
• 可以针对不同模态的许多任务直接使用 pipeline()

2 举例：情感分析

2.1 创建pipeline实例

from transformers import pipeline

classifier = pipeline("sentiment-analysis")
#首先创建一个 pipeline() 实例，并指定您想要使用它的任务
#pipeline() 将下载并缓存情感分析的默认预训练模型和分词器

2.2 使用pipeline实例 

然后就可以在目标文本上使用分类器了：

# 单个文本
classifier('Today is a shiny day!')
'''
[{'label': 'POSITIVE', 'score': 0.9992596507072449}]
'''

# 多个文本
classifier(['Today is a shiny day!','What a bad day it is!'])
'''
[{'label': 'POSITIVE', 'score': 0.9992596507072449},
 {'label': 'NEGATIVE', 'score': 0.999808132648468}]
'''

3 使用别的模型和分词器

• pipeline() 可以容纳来自 Models - Hugging Face的任何模型
• eg:能够处理法语文本的模型

以下两种方式都可以

from transformers import AutoTokenizer, AutoModelForSequenceClassification
from transformers import pipeline

model_name = "nlptown/bert-base-multilingual-uncased-sentiment"



classifier = pipeline("sentiment-analysis", model=model_name)

classifier("Nous sommes très heureux de vous présenter la bibliothèque Transformers.")

#[{'label': '5 stars', 'score': 0.7236300706863403}]

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_name = "nlptown/bert-base-multilingual-uncased-sentiment"

model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)



classifier = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)

classifier("Nous sommes très heureux de vous présenter la bibliothèque Transformers.")
#[{'label': '5 stars', 'score': 0.7236300706863403}]

4 device相关

• 使用 device=n——>pipeline会自动将模型放置在指定的设备上

classifier = pipeline("sentiment-analysis", model=model_name,device=2)

• 如果模型对于单个 GPU 来说太大，并且使用 PyTorch——>可以设置 device_map="auto"，以自动确定如何加载和存储模型权重

classifier = pipeline("sentiment-analysis", model=model_name,device_map="auto")

• 如果传递了 device_map="auto"，在实例化pipeline时不需要添加参数 device=device