transformers

Skill umożliwia pracę z biblioteką Hugging Face Transformers — dostęp do gotowych modeli do generowania tekstu, klasyfikacji, odpowiadania na pytania, tłumaczenia, streszczania, klasyfikacji obrazów, detekcji obiektów, rozpoznawania mowy i dostrajania na własnych danych. Załaduj model, uruchom wnioskowanie lub trenuj na niestandardowych zbiorach danych bez konfiguracji od zera.

1. Zainstaluj bibliotekę transformers i zależności: uruchom polecenie uv pip install torch transformers datasets evaluate accelerate. Dla zadań z obrazami dodaj uv pip install timm pillow, dla audio dodaj uv pip install librosa soundfile.

2. Skonfiguruj dostęp do Hugging Face Hub — wiele modeli wymaga tokenu. Zaloguj się poleceniem huggingface-cli login lub ustaw zmienną środowiskową HUGGINGFACE_TOKEN z tokenem z https://huggingface.co/settings/tokens.

3. Użyj Pipeline API do szybkiego wnioskowania. Zaimportuj from transformers import pipeline i utwórz pipeline dla wybranego zadania, np. pipeline("text-generation", model="gpt2") do generowania tekstu lub pipeline("text-classification") do klasyfikacji.

4. Uruchom wnioskowanie na swoich danych — przekaż tekst, obraz lub audio do pipeline'u. Na przykład dla generowania tekstu: generator("Przyszłość AI to", max_length=50), dla klasyfikacji: classifier("Ten film był świetny!"), dla odpowiadania na pytania: `qa(question="Co to AI?", context="AI to sztuczna inteligencja...").

5. Dla zaawansowanego dostrajania na własnych danych zamiast Pipeline API użyj bezpośrednio klas AutoModel i AutoTokenizer z biblioteki transformers, a następnie trenuj model na swoim zbiorze danych za pomocą Trainer z biblioteki transformers.