引言

python作为AI开发下的第一语言，毋庸置疑是助力我们成为一个AI全栈+前端应用开发工程师的首选语言。你是否常常为配置环境变量、各种插件下载各种配置问题感到困扰呢？

在AI时代，这一切都变得简单了起来，让我们一起转变固有思维，拥抱时代潮流带来的红利，感受AI带来的便利！

Huggingface

web开发工程师借助于Huggingface(抱抱脸)，全网第一的nlp社区，提供的transformers库(支持python，js)，快速实现nlp任务。

在当今技术领域，开源社区扮演着重要的角色，推动着技术的发展与创新。抱抱脸（Hugging Face）作为一家以人工智能技术为核心的开源社区，不仅提供了丰富的自然语言处理工具和模型，还促进了学术界与工业界的交流与合作。

Colaboratory

当传统web应用开发工程师还在苦心配置环境时，你已经可以之间通过Colaboratory直接开始应用开发之旅了！ ------>colab.research.google.com

当然在此之前你需要拥有：

• Google
• Google账号
• 众所周知，Google引擎在国内不可使用，因此需要完成科学上网工作。(不懂的同学可以私信交流)

正式开始

在完成上述工作以后，通过colab我们可以直接进行开发工作

• web开发工程师借助于Huggingface(抱抱脸)，全网第一的nlp社区，提供的transformers 库（python , js）,快速实现nlp任务 这样子我们的库就已经导入啦。

!pip install transformers 

• 导入管道模块，指定任务(我们以情感分析为例感受AI时代的便利)

pipeline

Python的pipeline模块通常指的是sklearn.pipeline，它是scikit-learn（sklearn）库中的一个重要模块，用于构建机器学习的工作流程。这个模块的主要功能是帮助用户将多个处理步骤（例如数据预处理、特征工程、模型训练等）有机地串联起来，形成一个完整的数据处理流程。下面是sklearn.pipeline模块的主要功能

1. 方便的工作流程构建：pipeline允许用户将多个数据处理步骤按顺序组合在一起，形成一个完整的工作流程。这些步骤可以包括数据预处理、特征提取、特征选择、模型训练等。
2. 统一的接口：pipeline中的每个步骤都必须实现fit和transform方法，这样可以保证每个步骤都具有统一的接口，方便进行组合和调用。
3. 避免数据泄露：在使用交叉验证等技术进行模型评估时，很容易发生数据泄露的问题。pipeline可以在每次交叉验证时自动对训练集进行拆分，并确保在每个拆分中只使用训练集的数据来进行训练和验证，从而避免数据泄露的问题。
4. 参数网格搜索：pipeline可以与GridSearchCV等网格搜索技术结合使用，方便地对整个工作流程进行参数搜索和调优，从而找到最佳的参数组合。
5. 代码简洁：通过使用pipeline，可以将复杂的数据处理流程简化成几行代码，使代码更加清晰易懂。

from transformers import pipeline 
classifier =pipeline('sentiment-analysis') 
output= classifier('I love you') 
print(output)

至此我们可以发现不需要多余的操作，便能够分析出这句话到底是积极还是消极以及给出的评分0.99 那么I hate you呢？是否准确？我们拭目以待

哎呦不错哦，这种明确表达意思的语句看来已经被拿捏的死死的了，让我们试一试遥遥领先这句话，我们的transformers库（用于自然语言处理（NLP）任务中的预训练模型和相关工具）能否为我们带来满意的结果。

ohno！作为一个国人，我不能接受这居然是一个消极语句！那么这是因为transformers库训练的不够准确？不够大吗？！显然不是！

• 下面我们重新定义一下这个pipeline，并给出准确且有针对性的训练模型
• 指定模型 模型有很多种，选择合适的模型 dianping-chinese

classifier=pipeline('sentiment-analysis',model='uer/roberta-base-finetuned-dianping-chinese') 
reasult = classifier('遥遥领先')
print(reasult)

• uer/roberta-base-finetuned-dianping-chinese是一个在Hugging Face的模型仓库中的预训练模型，它是基于RoBERTa模型进行微调得到的。具体来说，它是由北京大学人类语言技术研究中心（北大-人语所）团队发布的一个针对中文评论情感分析任务（如点评数据集）进行微调得到的模型。
• 'uer/roberta-base-finetuned-dianping-chinese'这个模型是在RoBERTa的基础上，通过在点评数据集（可能是中文评论情感分析任务）上进行微调得到的模型。您可以使用这个模型来进行中文评论情感分析或其他类似的任务。

结语

今日份浅尝AI时代下，我们也能做机器学习情感分析已到位。事实上，AI带来的便利还有很多很多，后续我会为各位同学带来更多学习内容分享。

如有帮助，请点赞收藏+评论！感谢友友们让我们一同进步！