[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-abhimishra91--transformers-tutorials":3,"tool-abhimishra91--transformers-tutorials":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":10,"oss_zip_url":83,"oss_zip_packed_at":83,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":149},888,"abhimishra91\u002Ftransformers-tutorials","transformers-tutorials","Github repo with tutorials to fine tune transformers for diff NLP tasks","transformers-tutorials 是一个专注于自然语言处理（NLP）的开源教程项目，旨在帮助用户学习和掌握如何使用基于 Transformer 的预训练模型（如 BERT、RoBERTa 等）来解决实际任务。它提供了详细的代码示例和逐步指南，涵盖文本分类、多标签分类等多种 NLP 应用场景，并利用 Hugging Face 的 Transformers 库简化模型微调过程。\n\n这个工具解决了在 NLP 领域应用先进模型时的入门和实践难题。尽管 Transformer 模型在 2018 年后带来了革命性进展，但许多开发者或研究人员在具体任务中仍面临技术门槛高、实现复杂的挑战。transformers-tutorials 通过可运行的 Jupyter Notebook 教程，降低了学习曲线，让用户能够快速上手并定制模型以适应自己的数据需求。\n\n它主要适合有一定 Python 和机器学习基础的开发者、数据科学家以及 NLP 研究人员使用。无论是希望将预训练模型集成到业务系统中的工程师，还是学术领域中进行实验的学习者，都能从中获得实用指导。\n\n项目的一个技术亮点是紧密集成 Hugg","transformers-tutorials 是一个专注于自然语言处理（NLP）的开源教程项目，旨在帮助用户学习和掌握如何使用基于 Transformer 的预训练模型（如 BERT、RoBERTa 等）来解决实际任务。它提供了详细的代码示例和逐步指南，涵盖文本分类、多标签分类等多种 NLP 应用场景，并利用 Hugging Face 的 Transformers 库简化模型微调过程。\n\n这个工具解决了在 NLP 领域应用先进模型时的入门和实践难题。尽管 Transformer 模型在 2018 年后带来了革命性进展，但许多开发者或研究人员在具体任务中仍面临技术门槛高、实现复杂的挑战。transformers-tutorials 通过可运行的 Jupyter Notebook 教程，降低了学习曲线，让用户能够快速上手并定制模型以适应自己的数据需求。\n\n它主要适合有一定 Python 和机器学习基础的开发者、数据科学家以及 NLP 研究人员使用。无论是希望将预训练模型集成到业务系统中的工程师，还是学术领域中进行实验的学习者，都能从中获得实用指导。\n\n项目的一个技术亮点是紧密集成 Hugging Face 生态系统，提供从数据预处理到模型训练、评估的完整流程示例，并支持在 Google Colab 和 Kaggle 环境中直接运行，方便用户进行交互式学习。通过这些教程，用户可以高效地掌握如何利用最先进的 Transformer 模型来解决文本分类等常见 NLP 问题，从而加速项目开发和研究进程。","# \u003Ch1 align=\"center\">PyTorch Transformers Tutorials \u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n\u003Cimg alt=\"Transformer Tutorials\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabhimishra91_transformers-tutorials_readme_7a451aecb88b.png\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\">\u003Cimg alt=\"GitHub issues\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fnetwork\">\u003Cimg alt=\"GitHub forks\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fstargazers\">\u003Cimg alt=\"Github Stars\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg alt=\"GitHub license\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\n\n### Introduction\n\nThe field of **NLP** was revolutionized in the year 2018 by introduction of **BERT** and his **Transformer** friends(RoBerta, XLM etc.).\n\nThese novel transformer based neural network architectures and new ways to training a neural network on natural language data introduced transfer learning to NLP problems. Transfer learning had been giving out state of the art results in the Computer Vision domain for a few years now and introduction of transformer models for NLP brought about the same paradigm change in NLP.\n\nCompanies like [Google](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert) and [Facebook](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ffairseq\u002Ftree\u002Fmaster\u002Fexamples\u002Froberta) trained their neural networks on large swathes of Natural Language Data to grasp the intricacies of language thereby generating a  Language model. Finally these models were fine tuned to specific domain dataset to achieve state of the art results for a specific problem statement. They also published these trained models to open source community. The community members were now able to fine tune these models to their specific use cases.\n\n[Hugging Face](https:\u002F\u002Fgithub.com\u002Fhuggingface) made it easier for community to access and fine tune these models using their Python Package: [Transformers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers). \n\n### Motivation\nDespite these amazing technological advancements applying these solutions to business problems is still a challenge given the niche knowledge required to understand and apply these method on specific problem statements. Hence, In the following tutorials i will be demonstrating how a user can leverage technologies along with some other python tools to fine tune these Language models to specific type of tasks. \n\nBefore i proceed i will like to mention the following groups for the fantastic work they are doing and sharing which have made these notebooks and tutorials possible:\n\nPlease review these amazing sources of information and subscribe to their channels\u002Fsources.\n - [Hugging Face Team](https:\u002F\u002Fhuggingface.co\u002F)\n - Abhishek Thakur for his amazing [Youtube videos](https:\u002F\u002Fwww.youtube.com\u002Fuser\u002Fabhisheksvnit)\n\nThe problem statements that i will be working with are:\n\n| Notebook |Github Link |Colab Link|Kaggle Kernel|\n|--|--|--|--|\n|Text Classification: Multi-Class| [Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multiclass_classification.ipynb) |[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multiclass_classification.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-multiclass-classification-ipynb)|\n|Text Classification: Multi-Label| [Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multi_label_classification.ipynb)|[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multi_label_classification.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-multi-label-classification)|\n|Sentiment Classification **with Experiment Tracking in [WandB](https:\u002F\u002Fapp.wandb.ai\u002Fabhimishra-91\u002Ftransformers_tutorials_sentiment\u002Fruns\u002F1zwn4gbg?workspace=user-abhimishra-91)!**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_sentiment_wandb.ipynb)|[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_sentiment_wandb.ipynb)||\n|Named Entity Recognition: **with TPU processing!**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_ner.ipynb)|[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_ner.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-ner)|\n|Question Answering||||\n|Summary Writing: **with Experiment Tracking in [WandB](https:\u002F\u002Fapp.wandb.ai\u002Fabhimishra-91\u002Ftransformers_tutorials_summarization?workspace=user-abhimishra-91)!**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_summarization_wandb.ipynb)|[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_summarization_wandb.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-summarization-t5\u002Foutput)|\n\n\n\n### Directory Structure\n\n 1. `data`: This folder contains all the toy data used for fine tuning. \n 2. `utils`: This folder will contain any miscellaneous script used to prepare for the fine tuning.\n 3. `models`: Folder to save all the artifacts post fine tuning. \n\n### Further Watching\u002FReading\n\nI will try to cover the practical and implementation aspects of fine tuning of these language models on various NLP tasks. You can improve your knowledge on this topic by reading\u002Fwatching the following resources.\n\n\n - Watching\n\t - [Introduction in Simple terms](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=gcHkxP9adiM)\n\t - [Transfer Learning in NLP](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0T_Qr4qBrqc)\n\t - [BERT Research Series from ChrisMcCormickAI](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLam9sigHPGwOBuH4_4fr-XvDbe5uneaf6)\n\n- Reading\n\t - [Transformers Documentation](https:\u002F\u002Fhuggingface.co\u002Ftransformers\u002F)\n\t - [Pytorch Documentation](https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fstable\u002Findex.html)\n\t - [Google AI Blog](https:\u002F\u002Fai.googleblog.com\u002F)\n","# \u003Ch1 align=\"center\">PyTorch Transformers 教程 \u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n\u003Cimg alt=\"Transformer Tutorials\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabhimishra91_transformers-tutorials_readme_7a451aecb88b.png\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\">\u003Cimg alt=\"GitHub issues\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fnetwork\">\u003Cimg alt=\"GitHub forks\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fstargazers\">\u003Cimg alt=\"Github Stars\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg alt=\"GitHub license\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fabhimishra91\u002Ftransformers-tutorials\">\u003C\u002Fa>\n\n\n### 简介\n\n2018年，随着 **BERT** 及其 **Transformer** 系列模型（如 RoBerta、XLM 等）的引入，**自然语言处理（NLP）** 领域发生了革命性的变化。\n\n这些基于 Transformer 的新型神经网络架构以及训练神经网络处理自然语言数据的新方法，将迁移学习引入了 NLP 问题。迁移学习在计算机视觉领域已经取得了最先进的结果数年，而 Transformer 模型在 NLP 中的应用也带来了同样的范式转变。\n\n像 [Google](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fbert) 和 [Facebook](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ffairseq\u002Ftree\u002Fmaster\u002Fexamples\u002Froberta) 这样的公司在大规模自然语言数据上训练他们的神经网络，以掌握语言的复杂性，从而生成语言模型。最后，这些模型被微调到特定领域的数据集，以在特定问题上取得最先进的结果。他们还将这些训练好的模型开源给了社区。社区成员现在可以针对自己的具体用例微调这些模型。\n\n[Hugging Face](https:\u002F\u002Fgithub.com\u002Fhuggingface) 通过他们的 Python 包 [Transformers](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Ftransformers)，让社区更容易地访问和微调这些模型。\n\n### 动机\n\n尽管取得了这些惊人的技术进步，但由于需要特定的专业知识来理解这些方法并将其应用于具体问题，将这些解决方案应用于商业问题仍然是一个挑战。因此，在接下来的教程中，我将演示用户如何利用这些技术以及其他一些 Python 工具，将这些语言模型微调到特定类型的任务上。\n\n在开始之前，我想提及以下团体，感谢他们所做的出色工作以及分享精神，这些使得这些笔记本和教程成为可能：\n\n请查阅这些精彩的信息来源并订阅他们的频道\u002F资源。\n - [Hugging Face 团队](https:\u002F\u002Fhuggingface.co\u002F)\n - Abhishek Thakur 精彩的 [YouTube 视频](https:\u002F\u002Fwww.youtube.com\u002Fuser\u002Fabhisheksvnit)\n\n我将要处理的问题如下：\n\n| 笔记本 |Github 链接 |Colab 链接|Kaggle 内核|\n|--|--|--|--|\n|文本分类：多类别| [Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multiclass_classification.ipynb) |[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multiclass_classification.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-multiclass-classification-ipynb)|\n|文本分类：多标签| [Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multi_label_classification.ipynb)|[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_multi_label_classification.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-multi-label-classification)|\n|情感分类 **附带 [WandB](https:\u002F\u002Fapp.wandb.ai\u002Fabhimishra-91\u002Ftransformers_tutorials_sentiment\u002Fruns\u002F1zwn4gbg?workspace=user-abhimishra-91) 中的实验跟踪！**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_sentiment_wandb.ipynb)|[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_sentiment_wandb.ipynb)||\n|命名实体识别：**附带 TPU 处理！**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_ner.ipynb)|[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_ner.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-ner)|\n|问答||||\n|摘要生成：**附带 [WandB](https:\u002F\u002Fapp.wandb.ai\u002Fabhimishra-91\u002Ftransformers_tutorials_summarization?workspace=user-abhimishra-91) 中的实验跟踪！**|[Github](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_summarization_wandb.ipynb)|[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fblob\u002Fmaster\u002Ftransformers_summarization_wandb.ipynb)|[Kaggle](https:\u002F\u002Fwww.kaggle.com\u002Feggwhites2705\u002Ftransformers-summarization-t5\u002Foutput)|\n\n\n### 目录结构\n\n 1. `data`: 此文件夹包含用于微调的所有示例数据。\n 2. `utils`: 此文件夹将包含用于准备微调的任何杂项脚本。\n 3. `models`: 用于保存微调后所有产物的文件夹。\n\n### 延伸观看\u002F阅读\n\n我将尝试涵盖在各种 NLP 任务上微调这些语言模型的实践和实现方面。您可以通过阅读\u002F观看以下资源来提高您在该主题上的知识。\n\n\n - 观看\n\t - [简单术语介绍](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=gcHkxP9adiM)\n\t - [NLP 中的迁移学习](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0T_Qr4qBrqc)\n\t - [ChrisMcCormickAI 的 BERT 研究系列](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLam9sigHPGwOBuH4_4fr-XvDbe5uneaf6)\n\n- 阅读\n\t - [Transformers 文档](https:\u002F\u002Fhuggingface.co\u002Ftransformers\u002F)\n\t - [Pytorch 文档](https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fstable\u002Findex.html)\n\t - [Google AI 博客](https:\u002F\u002Fai.googleblog.com\u002F)","# transformers-tutorials 快速上手指南\n\n## 工具简介\n\n`transformers-tutorials` 是一个基于 PyTorch 和 Hugging Face Transformers 库的教程项目，旨在帮助开发者快速上手并微调前沿的 Transformer 模型（如 BERT、RoBERTa 等），以解决实际的自然语言处理任务，如文本分类、命名实体识别和文本摘要。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux, macOS, 或 Windows (建议使用 Linux 或 WSL2)\n- **Python**: 3.7 或更高版本\n- **包管理器**: pip 或 conda\n\n### 前置依赖\n确保已安装以下基础软件：\n1.  **Python 3.7+**\n2.  **Git** (用于克隆仓库)\n3.  **Jupyter Notebook\u002FLab** (用于运行教程 Notebook)\n\n## 安装步骤\n\n### 1. 克隆仓库\n打开终端，运行以下命令获取项目代码：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials.git\ncd transformers-tutorials\n```\n\n### 2. 创建并激活虚拟环境（推荐）\n使用 `conda`:\n```bash\nconda create -n transformers-tutorials python=3.8\nconda activate transformers-tutorials\n```\n或使用 `venv`:\n```bash\npython -m venv venv\n# Linux\u002FmacOS\nsource venv\u002Fbin\u002Factivate\n# Windows\nvenv\\Scripts\\activate\n```\n\n### 3. 安装 PyTorch\n根据你的 CUDA 版本，从 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取安装命令。例如，对于无 GPU 或 CUDA 11.3 的环境：\n```bash\n# 仅 CPU\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n\n# CUDA 11.3\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu113\n```\n\n### 4. 安装项目依赖\n安装教程所需的核心库：\n```bash\npip install transformers datasets scikit-learn pandas tqdm\n```\n如果需要使用 WandB 进行实验跟踪，可额外安装：\n```bash\npip install wandb\n```\n\n## 基本使用\n\n### 运行教程 Notebook\n项目提供了多个 Jupyter Notebook 教程。你可以直接启动 Jupyter 来运行它们：\n```bash\njupyter notebook\n```\n然后在浏览器中打开对应的 `.ipynb` 文件即可。\n\n### 快速示例：文本分类\n以下是一个使用 BERT 进行文本分类的极简代码片段，展示了核心流程：\n```python\nfrom transformers import AutoTokenizer, AutoModelForSequenceClassification\nimport torch\n\n# 1. 加载预训练模型和分词器\nmodel_name = \"bert-base-uncased\"\ntokenizer = AutoTokenizer.from_pretrained(model_name)\nmodel = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)\n\n# 2. 准备示例数据\ntexts = [\"I love this movie!\", \"This is terrible.\"]\ninputs = tokenizer(texts, padding=True, truncation=True, return_tensors=\"pt\")\n\n# 3. 前向传播\nwith torch.no_grad():\n    outputs = model(**inputs)\n    predictions = torch.argmax(outputs.logits, dim=-1)\n    print(predictions)\n```\n\n### 使用 Google Colab 或 Kaggle Kernel\n每个教程都提供了在 Google Colab 或 Kaggle 上一键运行的链接，无需配置本地环境。只需点击对应 Notebook 下方的 `Open In Colab` 徽章即可。\n\n## 下一步\n- 访问 `data\u002F` 文件夹查看示例数据集。\n- 按照 `utils\u002F` 中的脚本准备你自己的数据。\n- 运行具体的教程 Notebook，从 **文本分类** 或 **命名实体识别** 开始实践。","**场景背景**：一位电商公司的数据分析师小李，需要基于用户评论数据构建一个情感分析模型，以自动识别评论中的积极、消极和中立情绪，用于产品改进和客户服务优化。\n\n### 没有 transformers-tutorials 时\n- **入门门槛高**：小李知道BERT等Transformer模型强大，但面对Hugging Face Transformers库繁杂的文档和API，不知如何选择适合分类任务的预训练模型，以及如何开始微调。\n- **代码整合困难**：即使找到零散的示例代码，也需要自己费力地拼接数据加载、训练循环、评估和保存的完整流程，调试过程耗时且容易出错。\n- **缺乏最佳实践指导**：对于文本分类中的具体细节（如如何处理长文本、调整学习率、使用哪种损失函数）缺乏清晰的指引，只能反复试错，模型效果提升缓慢。\n- **部署准备不足**：训练出的模型不知如何有效地保存为可部署格式，也不清楚如何构建简单的推理API，导致模型停留在笔记本中，难以投入实际业务流。\n\n### 使用 transformers-tutorials 后\n- **快速上手明确路径**：小李直接参考仓库中的“Text Classification: Multi-Class”教程，该教程提供了从数据预处理、模型选择（如DistilBERT）、到微调和评估的端到端代码，让他迅速理解了核心步骤。\n- **获得完整可运行代码**：教程提供了结构清晰、注释完整的Jupyter Notebook，他可以直接在Colab或本地运行，轻松修改数据路径和参数，快速得到了一个可工作的基线模型。\n- **学习到关键技巧**：教程中包含了针对分类任务的实用技巧，例如使用`Trainer` API简化训练、设置正确的评价指标、以及进行超参数搜索的示例，帮助他系统性地优化模型性能。\n- **打通从实验到服务的链路**：教程演示了如何保存微调后的模型并使用Pipeline进行推理，小李可以据此轻松地将模型封装成函数或API，集成到公司的数据分析平台中。\n\ntransformers-tutorials 通过提供针对具体NLP任务的、可实操的完整教程，显著降低了开发者应用前沿Transformer模型的技术门槛与时间成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabhimishra91_transformers-tutorials_7a451aec.png","abhimishra91","Abhishek Kumar Mishra","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fabhimishra91_e3cf19e5.png","Eat, Sleep, Pray, and Code\r\n\r\n* Love to read manga and cook new cuisines. ","Collinson Group","Singapore","abhimishra.91@gmail.com",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fabhishek-kumar-mishra-116b2554\u002F","https:\u002F\u002Fgithub.com\u002Fabhimishra91",[87],{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",100,861,196,"2026-03-30T15:49:33","MIT",1,"未说明",{"notes":98,"python":96,"dependencies":99},"这是一个基于 Jupyter Notebook 的教程项目，主要演示如何使用 Hugging Face Transformers 库进行 NLP 任务。建议在 Google Colab、Kaggle 或本地 Jupyter 环境中运行，需要安装 PyTorch 和相关深度学习库。首次运行可能需要下载预训练模型（大小因模型而异）。",[100,101,102],"torch","transformers","accelerate",[26,13],[101,105,106,107,108,109,110,111,112,113,114,115],"nlp","natural-language-processing","deep-learning","bert","distilbert","pytorch","pytorch-tutorial","classification","named-entity-recognition","t5","wandb","2026-03-27T02:49:30.150509","2026-04-06T06:44:06.048712",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},3845,"微调 DistilBERT 模型时出现 OSError: Unable to load weights from pytorch checkpoint file 错误，如何解决？","此错误通常是因为加载模型时缺少自定义的模型类定义。解决方案是：\n1. 确保在预测脚本中导入了训练时定义的自定义模型类（例如 `DistillBERTClass`）。\n2. 使用 `torch.load` 加载模型状态字典，而不是直接用 `from_pretrained` 加载整个模型文件。\n3. 具体步骤如下：\n   - 从训练脚本导入模型类：`from training import DistillBERTClass`\n   - 加载分词器：`tokenizer = transformers.DistilBertTokenizer.from_pretrained(tok_path)`\n   - 实例化模型并加载权重：\n     ```python\n     model = DistillBERTClass()\n     model.to(device)\n     model.load_state_dict(torch.load(model_path))\n     model.eval()\n     ```\n4. 保存模型时也应使用 `torch.save(model_to_save.state_dict(), output_model_file)` 并保存分词器词汇表。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F4",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},3846,"如何对训练好的模型进行推理（Inference）？","可以参考作者在另一个项目 [Project Insight](https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Finsight\u002F) 中的实现。具体查看 `src_fastapi` 目录下的后端服务代码，其中展示了如何加载使用本教程训练的模型并进行推理。作者建议使用 FastAPI 构建服务。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F2",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},3847,"在 Colab 中训练时遇到 RuntimeError: CUDA error: device-side assert triggered 错误怎么办？","该错误通常与张量尺寸不匹配有关，特别是类别标签的数量与模型输出维度不一致。解决方案是检查并确保模型最终线性层的输出特征数（`num_labels`）与数据集中实际类别标签的数量完全一致。调整模型定义或数据标签即可解决。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F17",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},3848,"多类别分类笔记本中，分类器输出特征数显示为1，但模型定义是4，这是为什么？","这是笔记本中一个提示信息未更新的小错误。模型的实际输出确实是4个特征（对应4个类别）。提示信息来自之前版本的模型。模型性能不受影响，可以正常执行笔记本。作者会重新运行并更新提示。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F12",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},3849,"在多类别分类中，分类器的最终输出形状应该是 (batch_size, num_labels)，但代码中似乎是 (batch_size, seq_len)，这是怎么回事？","最初的代码使用了一种回归方式来确定类别，因此输出形状不同。作者已经更新了代码，现在分类器的输出形状是标准的 (batch_size, num_labels)，更符合分类任务的标准做法。请使用更新后的笔记本。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F8",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},3850,"数据集分割代码中，由于 reset_index 导致训练集和验证集重叠，如何修正？","原始代码在分割后立即重置了训练集的索引，导致后续基于索引的删除操作出错。正确的做法是：\n1. 先采样得到训练集，不要立即重置索引。\n2. 基于原始 DataFrame 的索引删除训练集样本，得到验证集，然后重置验证集的索引。\n3. 最后再重置训练集的索引。\n修正后的代码示例：\n```python\ntrain_dataset = df.sample(frac=train_size, random_state=config.SEED) # 先不重置索引\nval_dataset = df.drop(train_dataset.index).reset_index(drop=True) # 删除后重置验证集索引\ntrain_dataset = train_dataset.reset_index(drop=True) # 最后重置训练集索引\n```\n作者已根据此反馈更新了笔记本。","https:\u002F\u002Fgithub.com\u002Fabhimishra91\u002Ftransformers-tutorials\u002Fissues\u002F7",[]]