根据《attention is all you need》论文而形成的transformers框架在chat-gpt应用中大放异彩，目前transformers框架已经成了炙手可热的框架。它不仅在nlp方面很作用很大，根据官网的介绍，它还可以做很多事情，比如图片分类，目标检测。

    下面结合官网示例，给出两个简单的示例，一个是文本处理，另一个是目标检测。

    transformers框架提供了pipeline的方式，可以快速运用一个模型到输入对象上。官方的原话是：

To immediately use a model on a given input (text, image, audio, ...), we provide the pipeline API

    在进行示例之前，我们需要安装transformers框架，本机安装的是transformers=4.26.1

pip install transformers==4.26.1

    第一个文本处理的例子，利用transformers快速区分积极和消极的文本内容。如下所示，我们输入一段文字，transformer会给出判断：

from transformers import pipeline
classifier = pipeline('sentiment-analysis')
res = classifier('we are happy to indroduce pipeline to the transformers repository.')
print(res)

    运行这段代码，可以得到如下结果：

 

    运行这个示例，会先去下载一些模型文件，这里默认会下载distilbert-base-uncased-finetuned-sst-2-english模型文件，并存放到本机用户目录下的.cache\hugginface\hub\models--distilbert-base-uncased-finetuned-sst-2-english目录下，如下所示：

    换一句话试一下：i am sorry to hear that you are sick.

 

    这次识别文本语义为negative，也就是消极或者反面的，符合预期。

    第二个示例是目标检测的，先准备一张图片，然后利用目标检测模型来识别。

import requests
from PIL import Image
from transformers import pipeline

# Download an image with cute cats
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"
image_data = requests.get(url, stream=True).raw
image = Image.open(image_data)

# Allocate a pipeline for object detection
object_detector = pipeline('object-detection')
res = object_detector(image)
print(res)

    这个图片如下所示：

 

    打印结果如下：  

    [{'score': 0.9982201457023621, 
'label': 'remote', 
'box': {'xmin': 40, 'ymin': 70, 'xmax': 175, 'ymax': 117}}, 
{'score': 0.9960021376609802, 
'label': 'remote', 
'box': {'xmin': 333, 'ymin': 72, 'xmax': 368, 'ymax': 187}}, 
{'score': 0.9954745173454285, 
'label': 'couch', 
'box': {'xmin': 0, 'ymin': 1, 'xmax': 639, 'ymax': 473}}, 
{'score': 0.9988006353378296, 
'label': 'cat', 
'box': {'xmin': 13, 'ymin': 52, 'xmax': 314, 'ymax': 470}}, 
{'score': 0.9986783862113953, 
'label': 'cat', 
'box': {'xmin': 345, 'ymin': 23, 'xmax': 640, 'ymax': 368}}] 

    分别识别了图中的沙发、遥控器、猫咪。就像下面这张图一样：

    和第一个示例类似，这个示例运行的时候，会下载facebook/detr-resnet-50模型文件。并存放在用户目录下的.cache\huggingface\hub\models--facebook--detr-resnet-50目录下。还会下载一个名为resnet50_a1_0-14fe96d1.pth的文件放到.cache\torch\hub\checkpoints目录下。