தொடரியல்:
ஹக்கிங் ஃபேஸ் வழங்கும் பல்வேறு சேவைகள் உள்ளன ஆனால் அதன் பரவலாகப் பயன்படுத்தப்படும் சேவைகளில் ஒன்று “ஏபிஐ”. API ஆனது முன் பயிற்சி பெற்ற AI மற்றும் பெரிய மொழி மாதிரிகள் பல்வேறு பயன்பாடுகளுக்கு தொடர்பு கொள்ள அனுமதிக்கிறது. பின்வருவனவற்றில் பட்டியலிடப்பட்டுள்ள பல்வேறு மாடல்களுக்கான APIகளை ஹக்கிங் ஃபேஸ் வழங்குகிறது:
- உரை உருவாக்க மாதிரிகள்
- மொழிபெயர்ப்பு மாதிரிகள்
- உணர்வுகளை பகுப்பாய்வு செய்வதற்கான மாதிரிகள்
- மெய்நிகர் முகவர்களின் (புத்திசாலித்தனமான சாட்போட்கள்) வளர்ச்சிக்கான மாதிரிகள்
- வகைப்பாடு மற்றும் பின்னடைவு மாதிரிகள்
ஹக்கிங் ஃபேஸிலிருந்து எங்கள் தனிப்பயனாக்கப்பட்ட அனுமானம் API ஐப் பெறுவதற்கான முறையை இப்போது கண்டுபிடிப்போம். அவ்வாறு செய்ய, முதலில் நாம் ஹக்கிங் ஃபேஸின் அதிகாரப்பூர்வ இணையதளத்தில் பதிவு செய்து கொள்ள வேண்டும். உங்கள் சான்றுகளுடன் இந்த இணையதளத்தில் பதிவு செய்து, கட்டிப்பிடிக்கும் முகத்தின் சமூகத்தில் சேரவும்.
ஹக்கிங் ஃபேஸில் ஒரு கணக்கைப் பெற்றவுடன், நாம் இப்போது அனுமானம் API ஐக் கோர வேண்டும். API ஐக் கோர, கணக்கு அமைப்புகளுக்குச் சென்று 'அணுகல் டோக்கன்' என்பதைத் தேர்ந்தெடுக்கவும். ஒரு புதிய சாளரம் திறக்கும். 'புதிய டோக்கன்' விருப்பத்தைத் தேர்ந்தெடுத்து, முதலில் டோக்கனின் பெயரையும் அதன் பங்கையும் 'எழுதவும்' வழங்குவதன் மூலம் டோக்கனை உருவாக்கவும். புதிய டோக்கன் உருவாக்கப்படுகிறது. இப்போது, இந்த டோக்கனை நாம் சேமிக்க வேண்டும். இது வரை, கட்டிப்பிடிக்கும் முகத்திலிருந்து எங்கள் டோக்கன் உள்ளது. அடுத்த எடுத்துக்காட்டில், அனுமானம் API ஐப் பெற இந்த டோக்கனை எவ்வாறு பயன்படுத்தலாம் என்று பார்ப்போம்.
எடுத்துக்காட்டு 1: ஹக்கிங் ஃபேஸ் இன்ஃபெரன்ஸ் API மூலம் முன்மாதிரி செய்வது எப்படி
இதுவரை, ஹக்கிங் ஃபேஸை எவ்வாறு தொடங்குவது என்பது பற்றி நாங்கள் விவாதித்தோம், மேலும் கட்டிப்பிடிக்கும் முகத்திலிருந்து ஒரு டோக்கனைத் தொடங்கினோம். ஒரு குறிப்பிட்ட மாதிரிக்கான (இயந்திர கற்றல்) அனுமானம் API ஐப் பெறுவதற்கும் அதன் மூலம் கணிப்புகளைச் செய்வதற்கும் புதிதாக உருவாக்கப்பட்ட இந்த டோக்கனை எவ்வாறு பயன்படுத்தலாம் என்பதை இந்த எடுத்துக்காட்டு காட்டுகிறது. ஹக்கிங் ஃபேஸ் முகப்புப்பக்கத்தில் இருந்து நீங்கள் வேலை செய்ய விரும்பும் மாடலைத் தேர்ந்தெடுக்கவும், அது உங்கள் பிரச்சனைக்கு பொருத்தமானது. இந்த மாதிரிகளின் பட்டியலின் பின்வரும் துணுக்கில் காட்டப்பட்டுள்ளபடி, உரை வகைப்பாடு அல்லது உணர்வு பகுப்பாய்வு மாதிரியுடன் பணிபுரிய விரும்புகிறோம் என்று வைத்துக்கொள்வோம்:
இந்த மாதிரியிலிருந்து உணர்வு பகுப்பாய்வு மாதிரியை நாங்கள் தேர்வு செய்கிறோம்.
மாதிரியைத் தேர்ந்தெடுத்த பிறகு, அதன் மாதிரி அட்டை தோன்றும். இந்த மாடல் கார்டில் மாடலின் பயிற்சி விவரங்கள் மற்றும் மாடலின் சிறப்பியல்புகள் பற்றிய தகவல்கள் உள்ளன. எங்களின் மாதிரி roBERTa-base, இது உணர்வு பகுப்பாய்வுக்காக 58M ட்வீட்களில் பயிற்சியளிக்கப்பட்டுள்ளது. இந்த மாதிரியில் மூன்று முக்கிய வகுப்பு லேபிள்கள் உள்ளன, மேலும் இது ஒவ்வொரு உள்ளீட்டையும் அதன் தொடர்புடைய வகுப்பு லேபிள்களில் வகைப்படுத்துகிறது.
மாதிரியைத் தேர்ந்தெடுத்த பிறகு, சாளரத்தின் மேல் வலது மூலையில் இருக்கும் வரிசைப்படுத்தல் பொத்தானைத் தேர்ந்தெடுத்தால், அது கீழ்தோன்றும் மெனுவைத் திறக்கும். இந்த மெனுவிலிருந்து, 'Inference API' விருப்பத்தைத் தேர்ந்தெடுக்க வேண்டும்.
இந்த அனுமானத்துடன் இந்த குறிப்பிட்ட மாதிரியை எவ்வாறு பயன்படுத்துவது என்பதற்கான முழு விளக்கத்தையும் அனுமான API வழங்குகிறது மற்றும் AI மாதிரிக்கான முன்மாதிரியை விரைவாக உருவாக்க உதவுகிறது. அனுமானம் API சாளரம் பைத்தானின் ஸ்கிரிப்ட்டில் எழுதப்பட்ட குறியீட்டைக் காட்டுகிறது.
இந்தக் குறியீட்டை நகலெடுத்து, பைதான் ஐடிஇ எதிலும் இந்தக் குறியீட்டை இயக்குவோம். இதற்கு Google Colab ஐப் பயன்படுத்துகிறோம். பைதான் ஷெல்லில் இந்தக் குறியீட்டை இயக்கிய பிறகு, அது மதிப்பெண் மற்றும் லேபிள் முன்கணிப்புடன் வரும் வெளியீட்டை வழங்குகிறது. 'உரை-உணர்வு பகுப்பாய்வு' மாதிரியைத் தேர்ந்தெடுத்ததால், இந்த லேபிளும் மதிப்பெண்ணும் எங்கள் உள்ளீட்டின் படி வழங்கப்படுகின்றன. பின்னர், மாதிரிக்கு நாம் கொடுக்கும் உள்ளீடு ஒரு நேர்மறையான வாக்கியம் மற்றும் மாதிரியானது மூன்று லேபிள் வகுப்புகளில் முன் பயிற்சியளிக்கப்பட்டது: லேபிள் 0 என்பது எதிர்மறையைக் குறிக்கிறது, லேபிள்1 நடுநிலையைக் குறிக்கிறது மற்றும் லேபிள் 2 நேர்மறையாக அமைக்கப்பட்டுள்ளது. எங்கள் உள்ளீடு ஒரு நேர்மறையான வாக்கியமாக இருப்பதால், மாதிரியின் மதிப்பெண் கணிப்பு மற்ற இரண்டு லேபிள்களை விட அதிகமாக உள்ளது, அதாவது அந்த மாதிரி வாக்கியத்தை 'நேர்மறையாக' கணித்துள்ளது.
இறக்குமதி கோரிக்கைகளைAPI_URL = 'https://api-inference.huggingface.co/models/cardiffnlp/twitter-roberta-base-sentiment'
தலைப்புகள் = { 'அங்கீகாரம்' : 'தாங்கி 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' }
def வினவல் ( சுமை ) :
பதில் = கோரிக்கைகளை. அஞ்சல் ( API_URL , தலைப்புகள் = தலைப்புகள் , json = சுமை )
திரும்ப பதில் json ( )
வெளியீடு = வினவல் ( {
'உள்ளீடுகள்' : 'நீங்கள் என்னுடன் இருக்கும்போது நான் நன்றாக உணர்கிறேன்' ,
} )
வெளியீடு:
எடுத்துக்காட்டு 2: அனுமானம் மூலம் சுருக்கமாக்கல் மாதிரி
முந்தைய எடுத்துக்காட்டில் காட்டப்பட்டுள்ள அதே படிகளை நாங்கள் பின்பற்றுகிறோம் மற்றும் ஹக்கிங் ஃபேஸிலிருந்து அதன் அனுமானம் API ஐப் பயன்படுத்தி சுருக்க மாதிரி பேருந்தை முன்மாதிரி செய்கிறோம். சுருக்க மாதிரி என்பது முன் பயிற்சியளிக்கப்பட்ட மாதிரியாகும், இது அதன் உள்ளீடாக நாம் கொடுக்கும் முழு உரையையும் சுருக்கமாகக் கூறுகிறது. ஹக்கிங் ஃபேஸ் கணக்கிற்குச் சென்று, மேல் மெனு பட்டியில் உள்ள மாதிரியைக் கிளிக் செய்து, பின்னர் சுருக்கத்திற்குத் தொடர்புடைய மாதிரியைத் தேர்ந்தெடுத்து, அதைத் தேர்ந்தெடுத்து, அதன் மாதிரி அட்டையை கவனமாகப் படிக்கவும்.
நாங்கள் தேர்வுசெய்த மாதிரியானது முன் பயிற்சி பெற்ற BART மாடலாகும், மேலும் இது CNN டெயில் மெயிலின் தரவுத்தொகுப்புடன் நன்றாக இணைக்கப்பட்டுள்ளது. BART என்பது ஒரு குறியாக்கி மற்றும் குறிவிலக்கியைக் கொண்ட BERT மாதிரியைப் போலவே இருக்கும் ஒரு மாதிரியாகும். புரிதல், சுருக்கம், மொழிபெயர்ப்பு மற்றும் உரை உருவாக்கப் பணிகளுக்கு இந்த மாதிரி நன்றாக இருக்கும் போது பயனுள்ளதாக இருக்கும்.
பின்னர், மேல் வலது மூலையில் உள்ள 'வரிசைப்படுத்தல்' பொத்தானைத் தேர்ந்தெடுத்து, கீழ்தோன்றும் மெனுவிலிருந்து அனுமானம் API ஐத் தேர்ந்தெடுக்கவும். இந்த அனுமானத்துடன் இந்த மாதிரியைப் பயன்படுத்துவதற்கான குறியீடு மற்றும் திசைகளைக் கொண்ட மற்றொரு சாளரத்தை அனுமானம் API திறக்கிறது.
இந்த குறியீட்டை நகலெடுத்து பைதான் ஷெல்லில் இயக்கவும்.
மாதிரியானது வெளியீட்டை வழங்குகிறது, இது நாம் அதற்கு வழங்கிய உள்ளீட்டின் சுருக்கமாகும்.
முடிவுரை
நாங்கள் ஹக்கிங் ஃபேஸ் இன்ஃபெரன்ஸ் ஏபிஐயில் பணிபுரிந்தோம், மேலும் இந்த அப்ளிகேஷனின் புரோகிராம் செய்யக்கூடிய இடைமுகத்தை முன் பயிற்சி பெற்ற மொழி மாடல்களுடன் எப்படிப் பயன்படுத்தலாம் என்பதை அறிந்துகொண்டோம். கட்டுரையில் நாங்கள் செய்த இரண்டு எடுத்துக்காட்டுகள் முக்கியமாக NLP மாதிரிகளை அடிப்படையாகக் கொண்டவை. ஹக்கிங் ஃபேஸ் ஏபிஐ, AI மாடல்களை எங்கள் பயன்பாடுகளில் விரைவாக ஒருங்கிணைப்பதன் மூலம் வேகமான முன்மாதிரியை உருவாக்க விரும்பினால் அற்புதங்களைச் செய்ய முடியும். சுருக்கமாக, வலுவூட்டல் கற்றல் முதல் கணினி பார்வை வரை உங்கள் எல்லா பிரச்சனைகளுக்கும் ஹக்கிங் ஃபேஸ் தீர்வுகளைக் கொண்டுள்ளது.