使用HuggingFace API在IRIS数据集上进行机器学习

HuggingFace 机器学习模型。本文将详细介绍如何在 IRIS 数据集上使用 HuggingFace API 进行机器学习，包括模型的下载、配置和测试等内容。

开始生产环境

在开始之前，请确保已安装 Docker 和 Docker Compose。以下是启动生产环境的步骤：

打开终端，导航到 iris-local-ml 文件夹。
输入以下命令以启动生产环境：
```
docker-compose up
```

进入生产环境

生产环境启动后，您可以通过以下步骤进入生产环境并进行操作。

关闭生产环境

当您完成所有操作后，可以通过以下命令关闭生产环境：

docker-compose down

HuggingFace Pipeline 简介

HuggingFace 提供的 Pipeline 是一个强大的工具，能够自动分析模型文件夹并选择适合的框架（如 PyTorch、Keras、TensorFlow 或 JAX）。它通过 AutoModel 加载模型，并根据任务类型自动处理输入、令牌化、特征提取等操作，最终返回可直接使用的解码结果。

测试 HuggingFace 模型

打开 IRIS 的测试窗口。
在请求类型中选择：
```
Grongier.PEX.Message
```
在 classname 中输入相应的类名。

提供 JSON 格式的参数，例如调用 GPT2 模型的示例：

{
   "api_url": "https://api-inference.huggingface.co/models/gpt2",
   "payload": "请告诉我们您的详细信息",
   "api_key": "----------------------"
}

点击“可视跟踪”以查看详细日志。

注意：在使用 HuggingFace API 之前，您需要申请 API 密钥（免费注册即可）。此外，您可以通过更改 URL 来测试其他 HuggingFace 模型，但可能需要调整 payload 参数。

使用自定义模型

配置自定义模型

如果您有自己的模型，可以按照以下步骤配置：

将模型文件放置在路径 src/model/yourmodelname/ 中。
配置模型参数，例如：
```
name=yourmodelname
task=文本生成
```
注意：除 name 和 model_url 外的所有配置都将进入 Pipeline 配置。
使用文件夹中的配置文件创建 Pipeline。

测试自定义模型

以下是调用自定义模型的示例 JSON 参数：

{
    "text_inputs": "不幸的是，结果",
    "max_length": 100,
    "num_return_sequences": 3
}

完成配置后，点击 Visual Trace 查看详细日志。

下载 HuggingFace 模型

设置 HuggingFace 模型

您可以通过以下步骤下载并配置 HuggingFace 模型：

打开终端，导航到 iris-local-ml 文件夹。
输入以下命令：
```
docker-compose up
```

配置模型参数，例如：

model_url=https://huggingface.co/gpt2
name=gpt2
task=文本生成

以下是其他模型的配置示例：

Camembert-ner：

name=camembert-ner
model_url=https://huggingface.co/Jean-Baptiste/camembert-ner
task=ner
aggregation_strategy=简单

Bert-base-uncased：

name=bert-base-uncased
model_url=https://huggingface.co/bert-base-uncased
task=填写掩码

Detr-resnet-50：

name=detr-resnet-50
model_url=https://huggingface.co/facebook/detr-resnet-50
task=对象检测

注意：非 name 或 model_url 的配置将进入 Pipeline 配置。

测试 HuggingFace 模型

以下是调用不同 HuggingFace 模型的示例 JSON 参数：

GPT2：

{
  "text_inputs": "George Washington lived",
  "max_length": 30,
  "num_return_sequences": 3
}

Camembert-ner：

{
  "text_inputs": "乔治华盛顿住在[面具]"
}

Detr-resnet-50：

{
  "url": "http://images.cocodataset.org/val2017/000000039769.jpg"
}

完成配置后，点击 Visual Trace 查看详细日志。

注意：首次下载模型后，系统会缓存模型文件。如果缺少某些文件，系统会自动重新下载。

总结

通过本文的介绍，您可以轻松使用 HuggingFace API 在 IRIS 数据集上进行机器学习。无论是使用自定义模型还是下载 HuggingFace 提供的预训练模型，HuggingFace 的 Pipeline 工具都能帮助您快速完成模型的加载、配置和测试。希望本文对您的开发工作有所帮助！

原文链接: https://pt.community.intersystems.com/post/machine-learning-no-iris-usando-api-huggingface-eou-modelos-de-ml-no-local

使用HuggingFace API在IRIS数据集上进行机器学习

文章目录