0Pricing
Deep Learning Academy · Pelajaran

Fine-Tuning Model Hugging Face

Sesuaikan transformer terlatih sebelumnya dengan data Anda

Fine-Tuning Model Hugging Face adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

A Hub of Pretrained Models

Hugging Face hosts thousands of ready-to-use transformers for text, vision, and audio. You can fine-tune one on your own data in minutes. 🤗

Install Transformers

The transformers library gives you models, tokenizers, and training tools in one package.

pip install transformers datasets

Load a Tokenizer

Text must become numbers first. The tokenizer that ships with each model knows exactly how to split and encode your text.

from transformers import AutoTokenizer
tok = AutoTokenizer.from_pretrained('bert-base-uncased')

Load a Model With a New Head

Pick a class for your task. AutoModelForSequenceClassification loads the backbone and attaches a fresh classifier head for your labels.

from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)

Tokenize Your Dataset

Run every example through the tokenizer with padding and truncation so all inputs share the same length.

def encode(b):
    return tok(b['text'], truncation=True, padding='max_length')

TrainingArguments

TrainingArguments bundles your hyperparameters: learning rate, batch size, epochs, and where to save checkpoints.

from transformers import TrainingArguments
args = TrainingArguments(output_dir='out', learning_rate=2e-5, num_train_epochs=3)

Keep That Rate Low

Notice the rate is just 2e-5. As with any fine-tune, a small learning rate protects the pretrained weights from being wrecked.

The Trainer

The Trainer class wraps the whole loop: forward pass, loss, backward, step, and evaluation. You skip writing it by hand.

from transformers import Trainer
trainer = Trainer(model=model, args=args, train_dataset=train_ds)

Train in One Call

Once everything is wired up, kick off fine-tuning with a single train call and watch the loss fall.

trainer.train()

Evaluate and Predict

After training, call evaluate for metrics on held-out data, then use predict to score brand-new examples.

trainer.evaluate()

Save and Share

Persist your tuned model with save_pretrained, then reload it anywhere or push it to the Hub for others to use.

model.save_pretrained('my-classifier')

Quick Check

Which Hugging Face class runs the full training loop for you so you don't write it by hand?

Recap

You tokenized data, loaded a model with a fresh head, set a low rate in TrainingArguments, and fine-tuned it with the Trainer. 🎯

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Fine-Tuning Model Hugging Face” gratis?

Ya — teks lengkap “Fine-Tuning Model Hugging Face” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Fine-Tuning Model Hugging Face”?

Sesuaikan transformer terlatih sebelumnya dengan data Anda Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?

Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.

Berapa lama pelajaran “Fine-Tuning Model Hugging Face” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?

Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Bekukan Backbone, Latih Head
  2. Fine-Tuning dengan Laju Pembelajaran Lebih Rendah
  3. Laju Berbeda per Lapisan yang Diskriminatif
  4. Fine-Tuning Model Hugging Face
← Kembali ke Deep Learning Academy