HuggingFace Transformers 教程集100 多个 Notebook 如何带你从入门到实战【免费下载链接】Transformers-TutorialsThis repository contains demos I made with the Transformers library by HuggingFace.项目地址: https://gitcode.com/GitHub_Trending/tr/Transformers-Tutorials想上手 Transformers却不知该从哪个模型看起Transformers-Tutorials 是 HuggingFace 核心贡献者 Niels Rogge 维护的教程仓库里面放了 100 多个用 PyTorch 写的 Jupyter Notebook覆盖 BERT、ViT、DETR、LayoutLMv3 等主流模型每个 Notebook 都能直接跟着跑。它把读论文—调模型—微调这条链路拆成了一个个可执行的小任务对没系统学过 Transformer 的人很友好值得花一个周末翻一遍。它帮新手省掉了什么很多初学者的卡点不在代码而在三件事不知道挑哪个模型、不知道数据怎么喂进去、不知道训练循环怎么写。这个仓库恰好把这三块都铺成了现成路径——模型按名字分好目录数据准备部分给出了从原生 PyTorch Dataset 到 HuggingFace Datasets 的两种做法训练则演示了原生训练循环、PyTorch Lightning、HuggingFace Trainer 三条路线你可以挑一条跟到黑。五分钟上手路径不用通读全部目录最短路线是这样把仓库拉到本地git clone https://gitcode.com/GitHub_Trending/tr/Transformers-Tutorials cd Transformers-Tutorials装好基础依赖pip install transformers datasets torch。打开一个最小的推理教程跑一遍。推荐从 DETR 最小示例 或 ViT 快速演示 开始这类 Notebook 只有加载模型、喂一张图、看输出三件事跑通了你对整个流程就有体感了。核心代码其实只有两行骨架加载模型加跑一次前向from transformers import AutoModel, AutoProcessor model AutoModel.from_pretrained(facebook/detr-resnet-50) inputs AutoProcessor.from_pretrained(facebook/detr-resnet-50)(image, return_tensorspt) outputs model(**inputs)其余细节tokenizer、后处理、训练参数教程里都有注释跟着点运行即可。按模型挑你要的那一课仓库的组织方式很直白一个模型一个目录目录名就是模型名。你可以按想做的任务反查模型文本任务BERT/ 里的命名实体识别和多标签分类T5/ 里的摘要和代码生成图像理解VisionTransformer/、ConvNeXT/、SigLIP/ 的图像分类目标检测与分割DETR/、YOLOS/、MaskFormer/、SAM/文档理解LayoutLMv3/、Donut/、TrOCR/、Table Transformer/多模态ViLT/、LLaVa/、BLIP-2/每个目录下通常同时有推理和微调两类 Notebook命名也能猜出深浅带 minimal、Quick 的先跑带 Fine_tune 的进阶再看。挑一个真实任务练手以命名实体识别为例这是 NLP 新手最典型的第一个任务给模型一句Hugging Face is a company based in New York City它要把 Hugging Face 标成组织、New York 标成地点。这份教程的输入是一段带标注的句子输出是每个词对应的实体标签。流程是加载 dslim/bert-base-NER 这个已经微调好的模型用 pipeline 把句子丢进去拿回一组词—标签—置信度三元组。想再深一层可以读 只取首词片段的变体版本它专门解释了 BERT 分词后子词wordpiece该怎么合并回词级标签——这是新手最容易踩的坑教程里给了解法。从能跑到跑得顺跑通之后有三个点值得花十分钟了解README 的数据预处理和训练框架两节讲得很细选对训练框架。原生 PyTorch 写训练循环最透明、最好调试但要自己管设备放置和梯度清零HuggingFace Trainer 专为微调 Transformer 设计一行trainer.train()搞定还附带Seq2SeqTrainer处理 T5、BART 这类编码器-解码器模型PyTorch Lightning 居中抽象程度介于两者之间。建议先用 Trainer 跑通再回头看原生循环补原理。数据用 Datasets 库加载。它支持 CSV、JSON、Parquet 等格式还有内存映射机制数据不会全量进内存大文件也稳。验证数据是否正确。教程里有个好习惯取第一批数据打印张量形状再把 input_ids 解码回文字看一眼。花两行代码省掉半天调试。一条清晰的成长路线入门1~2 天先跑 HuggingFace 官方免费课程README 里也推荐了它建立 BERT、GPT、T5 的基本概念然后挑 2~3 个 minimal/Quick 级推理 Notebook 跑通目标是理解输入—模型—输出的完整链路。进阶1~2 周选一个你关心的任务域深耕。想做视觉就看 ViT 在 CIFAR-10 上的两个微调教程Lightning 版和 Trainer 版对比着看正好覆盖两种框架想做文档理解就从 LayoutLMv3 在 FUNSD 数据集上的教程入手。实战1 个月换成自己的数据走完整流程——准备数据集、微调、评估、保存模型。YOLOS 目录下的气球数据集脚本是个很好的起点展示了怎么把自定义数据集整理成 HuggingFace Dataset 格式。配套资源与延伸仓库主文档README.md数据预处理和训练框架两节是精华建议当手册用仓库还附了一份 HF 视觉生态概览 Notebook.ipynb)适合想快速扫一遍视觉模型版图的人模型 API 细节去 Transformers 官方文档查训练技巧参考 Accelerate 文档每个教程都提供 Colab 徽章没本地 GPU 也可以在线跑把仓库 clone 下来从任意一个 minimal 教程点第一次运行比收藏十篇博客都有用。【免费下载链接】Transformers-TutorialsThis repository contains demos I made with the Transformers library by HuggingFace.项目地址: https://gitcode.com/GitHub_Trending/tr/Transformers-Tutorials创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考