一、Pipeline API
使用 Pipeline API 实现 Text Classification 任务
1. Text Classification（文本分类）
情感分析：根据某种极性（如积极或消极）对文本进行标记，以在政治、金融和市场等领域支持决策制定。
内容分类：根据主题对文本进行标记，以帮助组织和过滤新闻和社交媒体信息流中的信息（如天气、体育、金融等）。
下面是如何使用 Pipeline API 进行情感分析的示例代码：
from transformers import pipeline# 创建情感分析管道nlp = pipeline("sentiment-analysis")# 对文本进行情感分析result = nlp("I love using the new transformer models!")print(result)
二、使用 Pipeline API 调用更多预定义任务
1. Token Classification（Token 分类）
命名实体识别（NER）：根据实体类别（如组织、人员、位置或日期）对 token 进行标记。
词性标注（POS）：根据词性（如名词、动词或形容词）对 token 进行标记。
以下是如何使用 Pipeline API 进行命名实体识别的示例代码：
from transformers import pipeline# 创建命名实体识别管道nlp_ner = pipeline("ner")# 对文本进行命名实体识别result = nlp_ner("Hugging Face Inc. is a company based in New York City.")print(result)
2. Question Answering（问答）
提取式问答：给定一个问题和一些上下文，模型从上下文中提取出一段文字作为答案。
生成式问答：给定一个问题和一些上下文，模型根据上下文生成答案。
以下是一个提取式问答的示例代码：
from transformers import pipeline# 创建问答管道qa_pipeline = pipeline("question-answering")# 定义问题和上下文question = "What is the capital of France?"context = "France is a country in Europe. The capital of France is Paris."# 获取答案result = qa_pipeline(question=question, context=context)print(result)
3. Summarization（文本摘要）
提取式摘要：从原始文本中识别和提取最重要的句子。
生成式摘要：从原始文本中生成目标摘要（可能包括输入文件中没有的新单词）。
以下是一个文本摘要的示例代码：
from transformers import pipeline# 创建文本摘要管道summarizer = pipeline("summarization")# 对文本进行摘要text = """Hugging Face Inc. is a company based in New York City. Its headquarters are located in DUMBO, therefore very close to the Manhattan Bridge."""result = summarizer(text)print(result)
三、Audio 音频处理任务
1. Audio Classification（音频分类）
声学场景分类：使用场景标签（如“办公室”、“海滩”、“体育场”）对音频进行标记。
声学事件检测：使用声音事件标签（如“汽车喇叭声”、“鲸鱼叫声”、“玻璃破碎声”）对音频进行标记。
以下是如何使用 Pipeline API 进行音频分类的示例代码：
from transformers import pipeline# 创建音频分类管道audio_classifier = pipeline("audio-classification")# 对音频文件进行分类result = audio_classifier("path_to_audio_file.wav")print(result)
2. Automatic Speech Recognition（ASR 自动语音识别）
以下是如何使用 Pipeline API 进行自动语音识别的示例代码：
from transformers import pipeline# 创建语音识别管道asr_pipeline = pipeline("automatic-speech-recognition")# 对音频文件进行语音识别result = asr_pipeline("path_to_audio_file.wav")print(result)
四、Computer Vision 计算机视觉
1. Image Classification（图像分类）
图像分类任务将整个图像标记为预定义的类别之一。常见的应用包括：
医疗保健：标记医学图像以检测疾病或监测患者健康状况。
环境监测：标记卫星图像以监测森林砍伐、提供野外管理信息或检测野火。
农业监测：标记农作物图像以监测植物健康状况。
以下是如何使用 Pipeline API 进行图像分类的示例代码：
from transformers import pipeline# 创建图像分类管道image_classifier = pipeline("image-classification")# 对图像文件进行分类result = image_classifier("path_to_image_file.jpg")print(result)
2. Object Detection（目标检测）
自动驾驶车辆：检测交通对象，如其他车辆、行人和红绿灯。
遥感：用于灾害监测、城市规划和天气预报。
缺陷检测：检测建筑物中的裂缝或结构损坏，以及制造业产品缺陷。
以下是如何使用 Pipeline API 进行目标检测的示例代码：
from transformers import pipeline# 创建目标检测管道object_detector = pipeline("object-detection")# 对图像文件进行目标检测result = object_detector("path_to_image_file.jpg")print(result)
