VOOZH about

URL: https://huggingface.co/learn/llm-course/zh-CN/chapter1/1

⇱ 本章简介 · Hugging Face

LLM Course documentation

本章简介

LLM Course

👁 Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces
Faster examples with accelerated inference
Switch between documentation themes

to get started

本章简介

欢迎来到🤗 Hugging Face 课程

本课程将教你如何使用 Hugging Face 生态系统的库进行自然语言处理（NLP）。这些库包括 🤗 Transformers、🤗 Datasets、🤗 Tokenizers 和 🤗 Accelerate，以及 Hugging Face Hub。本课程完全免费且无广告。

有什么是值得期待的？

以下是课程的简要概述：

  • 第 1 章到第 4 章介绍了 🤗 Transformers 库的主要概念。在本课程的这一部分结束时，你将了解 Transformer 模型的工作原理，并将了解如何使用 Hugging Face Hub 中的模型，在数据集上对其进行微调，并在 Hub 上分享你的结果。
  • 第 5 章到第 8 章在深入研究经典 NLP 任务之前，教授 🤗 Datasets 和 🤗 Tokenizers 的基础知识。在本部分结束时，你将能够自己解决最常见的 NLP 问题。
  • 第 9 章到第 12 章将超越 NLP，探讨如何使用 Transformer 模型解决语音处理和计算机视觉任务。在此过程中，你将学习如何构建和分享模型的演示，并将它们优化为生产环境。完成这部分课程后，你将准备好将 🤗 Transformers 应用于（几乎）任何机器学习问题！

这个课程：

完成本课程后，我们建议你查看 DeepLearning.AI的自然语言处理系列课程 ，该课程涵盖了诸如朴素贝叶斯和 LSTM 等传统 NLP 模型的广泛内容，非常值得了解！

我们是谁？

关于作者：

Abubakar Abid 在斯坦福大学获得应用机器学习博士学位。在攻读博士学位期间，他创立了 Gradio ，这是一个开源 Python 库，已用于构建超过 600,000 个机器学习演示。Gradio 被 Hugging Face 收购，Abubakar 现在在 Hugging Face 担任机器学习团队负责人。

Matthew Carrigan 是 Hugging Face 的机器学习工程师。他住在爱尔兰都柏林，之前在 Parse.ly 担任机器学习工程师，在此之前，他在 Trinity College Dublin 担任博士后研究员。他不相信我们会通过扩展现有架构来实现 AGI，但仍然对机器人永生抱有很高的期望。

Lysandre Debut 是 Hugging Face 的机器学习工程师，从早期的开发阶段就一直致力于 🤗 Transformers 库。他的目标是通过使用非常简单的 API 开发工具，让 NLP 对每个人都变得易用。

Sylvain Gugger 是 Hugging Face 的一名研究工程师，也是 🤗Transformers 库的核心维护者之一。此前，他是 fast.ai 的一名研究科学家，他与 Jeremy Howard 共同编写了 Deep Learning for Coders with fastai and Py Torch 。他的研究重点是通过设计和改进技术，使模型在有限资源上进行快速训练，使深度学习更容易普及。

Dawood Khan 是 Hugging Face 的机器学习工程师。他来自纽约，毕业于纽约大学计算机科学专业。在担任 iOS 工程师几年后，Dawood 辞职并与其他联合创始人一起创办了 Gradio。Gradio 最终被 Hugging Face 收购。

Merve Noyan 是 Hugging Face 的开发者倡导者，致力于开发工具并围绕它们构建内容，以使每个人都可以使用机器学习。

Lucile Saulnier 是 Hugging Face 的机器学习工程师，负责开发和支持开源工具的使用。她还积极参与了自然语言处理领域的许多研究项目，例如协作训练和 BigScience。

Lewis Tunstall 是 Hugging Face 的机器学习工程师，专注于开发开源工具并使更广泛的社区可以使用它们。他也是即将出版的一本书 O’Reilly book on Transformers 的作者之一。

Leandro von Werra 是 Hugging Face 开源团队的机器学习工程师，也是即将出版的一本书 O’Reilly book on Transformers 的作者之一。他拥有多年的行业经验，并在整个机器学习技术栈上进行了工作。

FAQ

这里有一些经常被提到的问题：

  • 参加本课程是否会获得认证？ 目前我们还没有为这门课程提供认证。然而，我们正在为 Hugging Face 生态系统制定认证计划——敬请期待！

  • 我应该在这门课程上花多少时间？ 本课程的每一章都设计为在 1 周内完成，每周大约需要 6-8 小时的学习时间。但是，但你可以根据自己的需要随意安排学习时间。

  • 如果我有问题，我可以在哪里提问？ 如果你对课程的任何部分有疑问，只需单击页面顶部的“提问”横幅，系统就会自动跳转到 [Hugging Face 论坛](https:// discuss.huggingface.co/) ：

👁 Hugging Face论坛链接

请注意，如果你想在完成课程后进行更多练习，论坛上还提供了 项目灵感 列表，如果你希望在完成课程后进行更多实践，可以参考这些想法。

  • 我在哪里可以获得课程的代码？ 对于每个部分，单击页面顶部的横幅可以在 Google Colab 或 Amazon SageMaker Studio Lab 中运行代码：
👁 Hugging Face课程Notebook 链接

包含课程所有代码的 Jupyter Notebook 托管在 huggingface/notebooks 仓库中。如果你希望在本地生成它们，请查看 GitHub 上 course 仓库中的说明。

  • 我如何为课程做出贡献？ 有很多方法可以为课程做出贡献！如果你发现拼写错误或错误，请在 course 仓库中提出问题。如果你想帮助将课程翻译成你的母语，请在 此处 查看说明。

  • 翻译的时候有没有术语表 每个翻译都有一个词汇表和“TRANSLATING.txt”文件，其中详细说明了为机器学习术语等所做的选择。你可以在 此处 找到德语的示例。

  • 我可以使用这门课程再次进行创作吗？ 当然！该课程是根据宽松的 Apache 2 许可证 发布的。这意味着你必须按照诚信的原则，提供许可证的链接，并指出是否进行了更改。你可以以任何合理的方式这样做，但不能以任何表明许可方认可你或你的使用的方式。如果你想引用该课程，请使用以下 BibTeX：
@misc{huggingfacecourse,
 author = {Hugging Face},
 title = {The Hugging Face Course, 2022},
 howpublished = "\url{https://huggingface.co/course}",
 year = {2022},
 note = "[Online; accessed <today>]"
}

让我们开始吧！

你准备好了吗？在本章中，你将学习：

  • 如何使用 pipeline() 函数解决文本生成、分类等 NLP 任务
  • 关于 Transformer 架构
  • 如何区分编码器、解码器和编码器-解码器架构和用例
Update on GitHub