بسم الله الرحمن الرحيم
في موضوع سابق شرحنا عن البدء في استخدام نموذج الذكاء الاصطناعي مفتوح المصدر "Hugging Face". وفي هذا الموضوع سنستكمل الشرح في الموقع وشرح كيفية استخدام المناذج المدربة مسبقًا. أحد أفضل الأشياء في Hugging Face هو أنه يتيح لك الوصول إلى الآلاف من النماذج المدربة مسبقًا والتي يمكنها أداء مهام مختلفة على أنواع مختلفة من البيانات. سواء كنت تعمل باستخدام النص أو الرؤية أو الصوت أو مزيج منها، يمكنك العثور على نموذج يناسب احتياجاتك.
يحتوي Hugging Face على مكتبتين رئيسيتين توفران الوصول إلى النماذج المدربة مسبقًا: Transformers وDiffusers. تتعامل مكتبة Transformers مع المهام النصية، مثل الترجمة والتلخيص وإنشاء النص. يمكن للناشرين التعامل مع المهام المستندة إلى الصور، مثل تركيب الصور، وتحرير الصور، والتعليق على الصور. والآن لقد قمت بالفعل بتثبيت مكتبة المحولات أثناء إعداد البيئة. دعونا نرى كيف يمكنك استخدامه للعمل مع النماذج المدربة مسبقًا.
الخطوة 1: قم بزيارة صفحة PyPI
لمعرفة المزيد عن مكتبة المحولات، يمكنك زيارة صفحتها على PyPI، مؤشر حزمة Python. انتقل إلى PyPi وابحث عن "المحولات". انقر على أحدث إصدار من مكتبة المحولات المعروضة في نتيجة البحث. ستشاهد مقدمة مختصرة عن المكتبة، بالإضافة إلى بعض الروابط والمعلومات المفيدة.
الخطوة 2: تنزيل واستخدام النماذج المدربة مسبقًا
توفر مكتبة المحولات واجهات برمجة التطبيقات لتنزيل النماذج المدربة مسبقًا واستخدامها بسرعة على نص معين، وضبطها على مجموعات البيانات الخاصة بك، ثم مشاركتها مع المجتمع على مركز نماذج Hugging Face.
الخطوة 3: استخدم طريقة pipeline().
لاستخدام نموذج تم تدريبه مسبقًا على مدخلات معينة، توفر Hugging Face طريقة Pipeline()، وهي واجهة برمجة تطبيقات سهلة الاستخدام لأداء مجموعة واسعة من المهام. وتسهل طريقة Pipeline() استخدام أي نموذج من Hub للاستدلال على أي لغة ورؤية كمبيوتر وكلام ومهام متعددة الوسائط. لذلك، دعونا نحاول تنفيذ مهمة باستخدام طريقة Pipeline().
المهمة: تحليل المشاعر:
لنستخدم طريقة Pipeline() لتصنيف النصوص الإيجابية مقابل النصوص السلبية التي يقدمها المستخدم:
يقوم بيان Pipeline() بتنزيل النموذج المُدرب مسبقًا الذي يستخدمه Pipeline() وتخزينه مؤقتًا، بينما تقوم نتيجة result = sentiment_analysis(input_text) بتقييمه على النص المحدد.
كود:
from transformers import pipeline
# Load the pre-trained sentiment analysis model
sentiment_analysis = pipeline(
"sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
input_text = [
"It’s a great app, my biggest problem is the card readers regularly do not connect. Which is very poor customer service for us because we have to manually enter our customers debit cards, which takes time. This slows down our efficiency."
]
# Perform sentiment analysis on the input text
result = sentiment_analysis(input_text)
# Print the result
print(result)النتيجة
كود:
[{'label': 'NEGATIVE', 'score': 0.9996176958084106}]المهمة: التعرف التلقائي على الكلام
دعونا نجرب مهمة أخرى تتضمن التعرف على الكلام.
كود:
from transformers import pipeline
transcriber = pipeline(task="automatic-speech-recognition",
model="openai/whisper-small")
result = transcriber(
"https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/mlk.flac")
print(result)النتيجة
كود:
{'text': ' I have a dream that one day this nation will rise up and live out the true meaning of its creed.'}كيفية العثور على النموذج المناسب الذي تم تدريبه مسبقًا
ولكن كيف يمكنك العثور على النموذج المناسب المُدرب مسبقًا إذا كنت تريد تنفيذ مهمة محددة؟
هذا في الواقع سهل للغاية. يمكنك تصفح النماذج على موقع Hugging Face الإلكتروني، وتصفيتها حسب المهمة، واللغة، وإطار العمل، والمزيد. يمكنك أيضًا البحث عن النماذج ومجموعات البيانات حسب الكلمات الرئيسية وفرزها حسب الاتجاهات أو الأكثر إعجابات أو الأكثر تنزيلات أو حسب التحديثات الأخيرة.
هذا في الواقع سهل للغاية. يمكنك تصفح النماذج على موقع Hugging Face الإلكتروني، وتصفيتها حسب المهمة، واللغة، وإطار العمل، والمزيد. يمكنك أيضًا البحث عن النماذج ومجموعات البيانات حسب الكلمات الرئيسية وفرزها حسب الاتجاهات أو الأكثر إعجابات أو الأكثر تنزيلات أو حسب التحديثات الأخيرة.
يحتوي كل نموذج على بطاقة نموذج تحتوي على معلومات مهمة، مثل تفاصيل النموذج ومثال الاستدلال وإجراءات التدريب وميزات التفاعل المجتمعي والارتباط بالملفات. يمكنك أيضًا تجربة النموذج الموجود على صفحة بطاقة النموذج باستخدام قسم Inference API.
يمكنك أيضًا التحقق من قائمة المساحات التي تستخدم هذا النموذج المعين واستكشاف المساحات بشكل أكبر من خلال النقر على رابط المساحة.
ما التالي؟
في هذا الموضوع والموضوع السابق، تعلمت أساسيات Hugging Face، وكيفية استخدام مكتباتها ونماذجها ومجموعات بياناتها ومساحاتها. ولكن هناك الكثير لاكتشافه والاستمتاع به!
فيما يلي بعض النصائح حول كيفية تحقيق أقصى استفادة من معانقة الوجه:
فيما يلي بعض النصائح حول كيفية تحقيق أقصى استفادة من معانقة الوجه:
- انغمس في مساحات Hugging Face: المساحات هي المكان الذي يحدث فيه السحر. يمكنك العثور على الآلاف من تطبيقات التعلم الآلي التي أنشأها المجتمع وتجربتها، والاطلاع على التطبيقات الرائجة والشائعة. يمكنك أيضًا إنشاء مساحاتك الخاصة وعرض أعمالك على العالم.
- استكشف الوثائق والبرامج التعليمية الخاصة بـ Hugging Face: إذا كنت تريد معرفة المزيد حول منصة Hugging Face وميزاتها، فيمكنك الاطلاع على الوثائق والبرامج التعليمية. أنها توفر معلومات وإرشادات مفصلة حول كيفية استخدام الأدوات والموارد التي تقدمها Hugging Face. يمكنك أيضًا العثور على معلومات حول مهام ML/AI الشائعة، مثل تصنيف النص وإنشاء الصور والتعرف على الكلام، في صفحة المهام.
- قم بزيارة قسم التعلم: إذا كنت مهتمًا باكتساب مهارات ومعارف جديدة في الذكاء الاصطناعي والبرمجة اللغوية العصبية، فيمكنك زيارة صفحة "التعلم" التي تعرض الدورات التدريبية من Hugging Face. هنا، يمكنك التعلم من الخبراء وأفضل الممارسات في هذا المجال، وتطبيقها على مشاريعك الخاصة.
- انضم إلى مجتمع Hugging Face: يصبح التعلم الآلي أكثر متعة عند التعاون! يمكنك الانضمام إلى مجتمع Hugging Face على منصات مثل GitHub وDiscord وTwitter للتواصل مع المستخدمين الآخرين والبقاء على اطلاع بأحدث التطورات. يمكنك أيضًا مشاركة تعليقاتك وأسئلتك وأفكارك مع المجتمع ومساعدة Hugging Face على النمو والتحسن.
Hugging Face ليست مجرد منصة للذكاء الاصطناعي ومعالجة اللغات الطبيعية - إنها أيضًا ساحة لفضولك وإبداعك. يمكنك تجربة نماذج جديدة وتوسيع معرفتك بالذكاء الاصطناعي وإثراء مجموعة أدوات الذكاء الاصطناعي لديك بأدوات وموارد متنوعة. لذا، استمر في التعلم، استمر في الاستكشاف. هناك دائمًا شيء جديد ومثير لاكتشافه مع Hugging Face.
