在自然语言处理（NLP）领域，Transformers 模型已经成为了主流技术之一。无论是文本分类、情感分析，还是机器翻译，Transformers 都展现了强大的性能。今天，我们来详细解析一下 Transformers Pipelines 的运行原理，帮助大家更好地理解其内部机制。
一、基本流程
Transformers Pipeline 的运行流程主要分为四个阶段：Tokenization、Model Inference、Post-Processing 和 Prediction。下面我们详细讲解每一个阶段的具体作用，并通过代码示例进行演示。
1. Tokenization（分词）
原始文本（Raw Text）首先会经过Tokenizer进行处理。Tokenizer的任务是将输入的自然语言文本转换为模型能够理解的输入格式。这一过程包括：
-
分词： 将句子拆分成一个个单词或子词。
-
映射到ID：将这些单词或子词映射到预定义的词汇表中的唯一标识符（Token IDs）。
代码示例：
from transformers import BertTokenizer
# 初始化BERT的Tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
# 输入句子
sentence = "This course is amazing!"
# 使用Tokenizer进行分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)
print(f"Token IDs: {input_ids}")
在这个示例中，我们使用BERT的Tokenizer对句子进行处理，得到的Token IDs如下：
Token IDs: [101, 2023, 2607, 2003, 6429, 999, 102]
2. Model Inference（模型推理）
接下来，Token IDs 会被输入到预训练的Transformers模型中。这一阶段的主要任务是通过模型的多层神经网络结构，计算出每个Token的特征表示。模型的输出通常是Logits，即每个类别的未归一化的概率值。
代码示例：
import torch
from transformers import BertModel
# 初始化BERT模型
model = BertModel.from_pretrained('bert-base-uncased')
# 将Token IDs转化为Tensor
input_ids = torch.tensor([input_ids])
# 模型推理，得到输出
with torch.no_grad():
outputs = model(input_ids)
# 获取最后一层的隐状态
last_hidden_states = outputs.last_hidden_state
print(f"Last Hidden States: {last_hidden_states}")
在这个示例中，我们将Token IDs输入到BERT模型中，得到最后一层的隐状态（即Logits）。
3. Post-Processing（后处理）
在得到Logits之后，需要对其进行后处理。在大多数情况下，后处理过程包括将Logits转化为实际的概率值（通过Softmax函数），并根据具体任务进行进一步的处理。
代码示例：
from torch.nn.functional import softmax
# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])
# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)
print(f"Probabilities: {probabilities}")
在这个示例中，我们对Logits进行Softmax处理，得到每个类别的概率值。
4. Prediction（生成结果）
最后一步是生成最终的预测结果。根据后处理得到的概率值，选择概率最高的类别作为最终的预测结果。例如，对于情感分析任务，可能会输出正面和负面情感的概率值：
-
POSITIVE: 99.89%
-
NEGATIVE: 0.11%
代码示例：
from torch.nn.functional import softmax
# 假设模型的输出是logits
logits = torch.tensor([-4.3630, 4.6859])
# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)
print(f"Probabilities: {probabilities}")
在这个示例中，我们根据概率值选择了概率最高的类别作为最终的预测结果。
二、具体示例
让我们通过一个具体的例子来更好地理解这个过程：
-
输入句子：“This course is amazing!”
-
经过Tokenizer处理，得到Token IDs [101, 2023, 2607, 2003, 6429, 999, 102]。
-
将Token IDs输入模型，得到Logits [-4.3630, 4.6859]。
-
通过后处理，将Logits转化为概率值。
-
最终预测结果：POSITIVE 99.89%，NEGATIVE 0.11%。
完整代码示例：
from transformers import BertTokenizer, BertForSequenceClassification
import torch
from torch.nn.functional import softmax
# 初始化BERT的Tokenizer和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)
# 输入句子
sentence = "This course is amazing!"
# 分词和映射到Token IDs
input_ids = tokenizer.encode(sentence, add_special_tokens=True)
input_ids = torch.tensor([input_ids])
# 模型推理，得到logits
with torch.no_grad():
outputs = model(input_ids)
logits = outputs.logits
# 对logits进行Softmax处理
probabilities = softmax(logits, dim=-1)
# 定义类别
labels = ["NEGATIVE", "POSITIVE"]
# 获取概率最高的类别
predicted_label = labels[torch.argmax(probabilities)]
print(f"Prediction: {predicted_label}")
在这个完整的代码示例中，我们一步步地完成了从原始文本到最终预测结果的整个过程。
三、总结
通过以上详细解析和代码示例，我们可以看出Transformers Pipelines的运行过程是高度模块化的，每个阶段都承担着特定的任务。理解这些过程不仅能帮助我们更好地使用这些模型，还能为我们在实际应用中优化模型提供指导。
希望这篇文章能帮助您更好地理解Transformers Pipelines的运行原理！
最后分享
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。
学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
1. 成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
3. 大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
5. 大模型面试题
面试，不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】
如有侵权，请联系删除。
标签：Pipelines,示例,模型,torch,IDs,Token,Transformers,logits,演练 From： https://blog.csdn.net/star_nwe/article/details/141222724