首要，恭喜你！能看到这篇文章，阐明你现已能够开发AI程序了。
“啊？我吗？我……我会了吗？可是人工智能真的好难，听说得博士生才干搞！”
咳咳……我们研讨的方向不一样。在我这里，小学生就能够搞。
一、理由是什么？
一项事物，它会有好多个层级。
就拿做面条来说:
- 你能够从小麦的栽培开端，阅历播种、收割，然后晾晒、磨粉……
- 你也能够从买袋面粉开端，阅历和面、揉面、拉面……
- 你乃至能够从买份鲜面条开端，阅历下锅，打鸡蛋，切火腿肠……
不论什么样的背景，想做面条都不是件难事（你得有锅）。
你顶多说，我不如你做得高级，但你不能说我不配做面条。
博士们从小麦的DNA开端研讨，我则从菜市场买鲜面条开端操作。等学会之后，你尽管成不了大厨，但能够不受限于外卖，随做随吃，搞不好还能够开个小店。
现在，我将带领我们，一步一步，一层一层，从菜市场追溯到农田去。
看你的情况，你觉得吃饱了，随时能够归队，不必向我打招呼。
废话不多说，下面开端正文。
二、更人性化的学习思路
做人工智能的使用，就像是做菜。结构便是菜系，数据便是菜谱，电脑便是煤气灶。
人工智能分为许多菜系，比方Jax，PyTorch以及TensorFlow等等。
第一天做菜，我不主张我们去关心菜系。
我是填鸭教育的产物，因而怨恨说教式的教程。比方说一开课，你这边连锅把儿还没摸到，他那边先告诉你“同学，我们首要来背诵八大菜系，鲁菜、川菜、粤菜、苏菜……”。
先让我做一道菜好不好？
等我乐意考厨师证了，我自然会去研讨他们的差异。
所以啊，在我这儿，我们先炒菜。
三、从抱抱脸开端起步
“抱抱脸”这个词很萌，不知道谁给翻译的，横竖国内都这么叫。
抱抱脸（hugging face）的网址是 huggingface.co/ 。看上面的图就知道，它很厉害。它在GitHub上的星星现已超过10w+了。并且，许多AI巨子，比方Meta、Google、Microsoft、Intel也都会在它上面，发布一些新的效果，供我们学习和运用。
一开端，它仅仅发布了一个叫“Transformers”的开源库。可是，后来这个库太好用了。它做了这样一件事情：连接了AI科学家和企业小白。
他能够让一个AI小白，不必了解关于构建、训练和部署的常识，就能运用科学家的效果。这些事情，尽管也是谷歌、微软他们想做的。可是，谷歌只能让自己变得简洁，他管不了微软。抱抱脸的呈现，让各家都能接入到它。它成为了一个全球AI的标准化运用渠道。
许多NLP工程师招聘的要求上，也会写着了解huggingface transformer库的运用。这阐明……它有用，你学它，不会亏。
说了这么多，我们开端来实际操作一下。
四、走进HuggingFace
抱抱脸上有许多的制品模型，这是能够直接下载用的（连注册都不必）。
为什么会这么多？哪里来的？
这都是全球各路的壮士，他们自己上传的。他们上传后，他人就能够运用。他人又站在他们的肩膀上，进行更深的研讨，研讨完了再上传。这便是“开源精力”。
我翻译并整理了一下，具体类型和数量如下。
好了，就说这么多。再多说，我会抽自己的“又开端给人家说教了”。
下面，我就用python语言来编写程序。
在动手之前，确保你处于python环境，并且装置了抱抱脸它们家的transformers库。
装置办法便是在指令履行：pip install transformers。
小提示：装置transformers前，你需求先装置 Flax 、 PyTorch 或 TensorFlow 其中之一。
主张装置TensorFlow，指令为
pip install tensorflow。
五、挖呀挖：敲一个心情剖析
我们先做一个心情剖析的使用。
所谓心情剖析，是指对一段文字进行好与坏的评判。其实，便是让它能听出来好赖话。
这一点，我们人类是能够轻松做到的。
- “你真是太棒了，我为你感到自豪！”这是夸人的，属于正面，英文叫POSITIVE。
- “太不让人省心了，别让我见到你！”这是骂人的，属于负面，英文叫NEGATIVE。
“你不要认为我不会拒绝你的这种消极行为，这不等同于胡思乱想”
这……我的CPU烧干了。
如果让AI来评判一句话的性质，该如何写代码呢？
下面是代码：
from transformers import pipeline
classifier = pipeline('sentiment-analysis')
classifier('I like you very much!')
没错，便是3行。要不怎么说，它连接了小白！
第1行，从transformers中导入pipeline。transformers就现已很简化了，可是pipeline（流水线）更简化。
第2行，经过pipeline，能够轻松加载模型。比方，此处加载的是sentiment-analysis（心情剖析）这个模型。它会主动从网站去下载需求的一切数据。加载完毕，会把才能赋值给一个叫classifier的变量。
履行这一句，控制台会呈现如下的输出：
Downloading lve/main/config.json: 100%|██████████| 629/629
Downloading pytorch_model.bin: 100%|██████████| 268M/268M
Downloading okenizer_config.json: 100%|██████████| 48.0/48.0
Downloading solve/main/vocab.txt: 100%|██████████| 232k/232k
第3行，将一句话传输给classifier，让它判别属于什么心情。那么，它会打印出成果。
[{'label': 'POSITIVE', 'score': 0.9998810291290283}]
I like you very much!（我非常喜爱你！）这句话，99.98是夸人的。
再来实验几个。
Can you stay away from me?（你能离我远点吗？）98.89%是消极的。 Don’t think I don’t dislike you.（不要认为我不是不厌烦你）93.61%是积极的。
这项才能能做什么？
有许多使用场景。比方，归类商品的好评与差评。或许，经过许多的微信对话，计算你女朋友对你究竟持有怎样的心情。
自己想去吧，横竖技能有了。
六、随堂练：基于文本的问答
再来一个问答的比方。
这类问答，便是先给一段文本作为依据，然后再问问题。
就比方，我先说“ITF男孩，写的文章很有意思，但他这个人很无趣”。然后，我再问你“ITF男孩，他写的文章怎么样？”。其实就类似于阅读理解。
上代码：
from transformers import pipeline
qa = pipeline('question-answering')
qa({
# 正文：我是一个程序员，我从2022年开端写博客。
'context': 'I am a programmer and have been writing blogs since 2022.',
# 问题：我哪年开端写博客？
'question': 'When do I start writing a blog?'
})
也是3行。和上面的比方一样。仅仅加载的模型不同。
它的最终输入如下：
{'score': 0.9318629503250122, 'answer': '2022'}
答案：93.18%的或许是2022年。
这个，挺有意思！能干的也有许多。
比方，你把你的课本录进去，让它成为课本常识小达人，随时问，不必再去翻书查找了。
七、小小的效果，大大的自豪
上面的代码，是能够本地运转的。也便是说，在你的电脑跑起来之后，拔了网线一样能够用。
你或许会很兴奋，去拿来研讨或许解决问题，也或许你想分享给其他人运用。因而，那就做成API吧！
我们需求先装置两个库。
pip install fastapi
pip install uvicorn
刚刚装置的是FastAPI，是个Web结构，写接口很方便。它的优点能说上三天三夜。由于我今晚得睡觉，所以不说了。
uvicorn是运转使用程序的服务器，它能让接口一直跑着。
树立一个mian.py文件，全部代码如下：
from fastapi import FastAPI
import uvicorn
from transformers import pipeline
app = FastAPI(title="超级模型开发才能渠道")
question_answerer = pipeline('question-answering')
classifier = pipeline('sentiment-analysis')
@app.get("/sentiment", summary='心情剖析', tags=['NLP方向'])
def qa(text: str = None):
result = classifier(text)
result = result[0]['label'] # 解析成果，只需需求的
return {"code": 200, "result": result}
@app.get("/qa", summary='文本问答', tags=['NLP方向'])
def qa(text: str = None, q_text: str = None):
result = question_answerer({'question': q_text, 'context': text})
result = result['answer'] # 解析成果，只需需求的
return {"code": 200, "result": result}
if __name__ == '__main__':
uvicorn.run("main:app", host='0.0.0.0', port=8000)
上面的代码，效果便是把人工智能的比方，封装了接口。此时，能够拜访 http://127.0.0.1:8000/docs ，能够进入FastAPI自带的接口文档页面。
八、再会
我们能碰头，便是一场缘分。下一次未必还会相逢。
因而，我想给你一个完好的小回想。
你我素昧平生。我不搞系列，没有星球，每一篇文章都是独立的。你能够从任意节点过来，并随时脱离。我们没有历史包袱。愿你每次都轻松而来，满载而归。
我是ITF男孩，开端进行全民AI的普及计划。