transformer调用huggingface模型

### 如何调用 Hugging Face Transformers 模型为了使用 Hugging Face 提供的 Transformer 模型，通常需要遵循几个关键步骤。以下是具体的操作方法： #### 加载预训练模型和分词器首先，要导入 `transformers` 库并加载所需的预训练模型及其对应的分词器。 ```python from transformers import BertTokenizer, BertForSequenceClassification tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2) ``` 这段代码展示了如何从 Hugging Face 的模型仓库中下载 BERT 模型以及其配套的分词工具[^1]。 #### 数据前处理接着，对于输入文本数据需做适当格式化以便于传递给模型。这一步骤涉及将原始字符串转换成适合模型理解的形式——通常是 token IDs 和 attention masks 组合而成的一个字典对象。 ```python text = "This is a test sentence." inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True) print(inputs) ``` 这里定义了一个简单的测试语句并通过调用 `preprocess()` 方法将其转化为模型可以接受的数据结构[^3]。 #### 执行推理过程最后，在准备好所有必要的参数之后就可以执行实际的推断操作了。注意这里的 `_forward()` 函数内部实现了具体的计算逻辑；而外部只需简单地把准备好的 inputs 字典作为关键字参数传进去即可完成一次完整的预测流程。 ```python outputs = model(**inputs) logits = outputs.logits predicted_class_id = logits.argmax().item() print(f"Predicted class ID: {predicted_class_id}") ``` 上述片段说明了怎样利用已有的模型实例来进行分类任务中的类别预测工作，并打印出最终的结果。

阅读全文