Przegląd biblioteki Transformers
Modele, tokenizery i potoki
Przegląd biblioteki Transformers to bezpłatna lekcja NLP Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej NLP Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs NLP Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Meet Transformers
Hugging Face Transformers is the go-to Python library for using and fine-tuning state-of-the-art language models with very little code. 🤗
One Install Away
You add the library to your project with a single pip command, and suddenly thousands of pretrained models are within reach.
pip install transformersThe Three Pillars
Almost everything you do rests on three building blocks: a model, a tokenizer, and a high-level pipeline that ties them together.
What a Model Is
A model holds the learned weights of a transformer like BERT or GPT. It turns input numbers into predictions such as labels or text.
What a Tokenizer Does
A tokenizer converts your raw text into the integer ids the model expects, and converts the output back into readable text.
Pipelines Hide the Wiring
A pipeline bundles a tokenizer and model into one callable, so you can run a task in a single line without manual setup.
from transformers import pipeline
clf = pipeline("sentiment-analysis")Run Your First Task
Once built, you call the pipeline like a function and it returns a clean result with a label and a confidence score.
print(clf("I love this library!"))The Model Hub
The Hugging Face Hub hosts shared models you load by name, so you rarely need to train anything from scratch.
Auto Classes
Helpers like AutoModel and AutoTokenizer pick the right class for any checkpoint, so one line of code works across many architectures.
from transformers import AutoTokenizer
tok = AutoTokenizer.from_pretrained("bert-base-uncased")Tasks You Get for Free
Pipelines cover many jobs out of the box: classification, named-entity recognition, summarization, translation, and question answering.
From Using to Adapting
Pipelines are great for trying models, but to make one truly yours you will fine-tune it on your own data later in this course.
Quick Check
Which piece turns raw text into the integer ids a model can read?
Recap
Transformers gives you models, tokenizers, and pipelines. Load a checkpoint from the Hub and run real NLP tasks in just a few lines. ✅
Często zadawane pytania
Czy lekcja „Przegląd biblioteki Transformers” jest bezpłatna?
Tak — pełny tekst „Przegląd biblioteki Transformers” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu NLP Academy, przejdź na CoddyKit PRO. Kurs NLP Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Przegląd biblioteki Transformers”?
Modele, tokenizery i potoki Ćwiczysz NLP Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć NLP Academy?
Nie wymagamy żadnego doświadczenia. NLP Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Przegląd biblioteki Transformers”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji NLP Academy?
Tak. Każda lekcja NLP Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Przegląd biblioteki Transformers
- Tokenizacja na potrzeby modeli Transformer
- Fine-tuning za pomocą API Trainer
- Ocena i zapisywanie modelu