సింటాక్స్:
హగ్గింగ్ ఫేస్ అందించే అనేక రకాల సేవలు ఉన్నాయి కానీ దాని విస్తృతంగా ఉపయోగించే సేవల్లో ఒకటి “API”. API వివిధ అనువర్తనాలకు ముందుగా శిక్షణ పొందిన AI మరియు పెద్ద భాషా నమూనాల పరస్పర చర్యను అనుమతిస్తుంది. హగ్గింగ్ ఫేస్ కింది వాటిలో జాబితా చేయబడిన వివిధ మోడల్‌ల కోసం APIలను అందిస్తుంది:
- టెక్స్ట్ జనరేషన్ మోడల్స్
- అనువాద నమూనాలు
- మనోభావాల విశ్లేషణ కోసం నమూనాలు
- వర్చువల్ ఏజెంట్‌ల అభివృద్ధి కోసం నమూనాలు (ఇంటెలిజెంట్ చాట్‌బాట్‌లు)
- వర్గీకరణ మరియు రిగ్రెషన్ నమూనాలు
హగ్గింగ్ ఫేస్ నుండి మా వ్యక్తిగతీకరించిన అనుమితి APIని పొందే పద్ధతిని ఇప్పుడు తెలుసుకుందాం. అలా చేయడానికి, మేము ముందుగా హగ్గింగ్ ఫేస్ యొక్క అధికారిక వెబ్‌సైట్‌లో నమోదు చేసుకోవడం ద్వారా ప్రారంభించాలి. మీ ఆధారాలతో ఈ వెబ్‌సైట్‌కి సైన్ అప్ చేయడం ద్వారా ఈ హగ్గింగ్ ఫేస్ సంఘంలో చేరండి.
మేము హగ్గింగ్ ఫేస్‌లో ఖాతాను పొందిన తర్వాత, మేము ఇప్పుడు అనుమితి APIని అభ్యర్థించాలి. APIని అభ్యర్థించడానికి, ఖాతా సెట్టింగ్‌లకు వెళ్లి, 'యాక్సెస్ టోకెన్' ఎంచుకోండి. కొత్త విండో తెరవబడుతుంది. 'కొత్త టోకెన్' ఎంపికను ఎంచుకుని, ఆపై టోకెన్ పేరు మరియు దాని పాత్రను 'వ్రైట్'గా అందించడం ద్వారా టోకెన్‌ను రూపొందించండి. కొత్త టోకెన్ రూపొందించబడింది. ఇప్పుడు, మనం ఈ టోకెన్‌ని సేవ్ చేయాలి. ఈ సమయం వరకు, మేము హగ్గింగ్ ఫేస్ నుండి మా టోకెన్‌ని కలిగి ఉన్నాము. తదుపరి ఉదాహరణలో, అనుమితి APIని పొందడానికి ఈ టోకెన్‌ని ఎలా ఉపయోగించవచ్చో చూద్దాం.
ఉదాహరణ 1: హగ్గింగ్ ఫేస్ ఇన్ఫరెన్స్ APIతో ప్రోటోటైప్ చేయడం ఎలా
ఇప్పటివరకు, మేము హగ్గింగ్ ఫేస్‌తో ఎలా ప్రారంభించాలో అనే పద్ధతిని చర్చించాము మరియు మేము హగ్గింగ్ ఫేస్ నుండి టోకెన్‌ను ప్రారంభించాము. ఒక నిర్దిష్ట మోడల్ (మెషిన్ లెర్నింగ్) కోసం అనుమితి APIని పొందడానికి మరియు దాని ద్వారా అంచనాలను రూపొందించడానికి మనం కొత్తగా రూపొందించిన ఈ టోకెన్‌ను ఎలా ఉపయోగించవచ్చో ఈ ఉదాహరణ చూపిస్తుంది. హగ్గింగ్ ఫేస్ యొక్క హోమ్‌పేజీ నుండి మీరు పని చేయాలనుకుంటున్న ఏదైనా మోడల్‌ని ఎంచుకోండి, అది మీ సమస్యకు సంబంధించినది. ఈ నమూనాల జాబితా యొక్క క్రింది స్నిప్పెట్‌లో చూపిన విధంగా మేము టెక్స్ట్ వర్గీకరణ లేదా సెంటిమెంట్ విశ్లేషణ నమూనాతో పని చేయాలనుకుంటున్నాము:
మేము ఈ మోడల్ నుండి సెంటిమెంట్ విశ్లేషణ నమూనాను ఎంచుకుంటాము.
మోడల్‌ను ఎంచుకున్న తర్వాత, దాని మోడల్ కార్డ్ కనిపిస్తుంది. ఈ మోడల్ కార్డ్ మోడల్ యొక్క శిక్షణ వివరాలు మరియు మోడల్ ఏ లక్షణాలను కలిగి ఉంది అనే సమాచారాన్ని కలిగి ఉంటుంది. మా మోడల్ roBERTa-బేస్, ఇది సెంటిమెంట్ విశ్లేషణ కోసం 58M ట్వీట్‌లపై శిక్షణ పొందింది. ఈ మోడల్ మూడు ప్రధాన తరగతి లేబుల్‌లను కలిగి ఉంది మరియు ఇది ప్రతి ఇన్‌పుట్‌ను దాని సంబంధిత తరగతి లేబుల్‌లుగా వర్గీకరిస్తుంది.
మోడల్ ఎంపిక తర్వాత, మేము విండో యొక్క కుడి ఎగువ మూలలో ఉన్న విస్తరణ బటన్‌ను ఎంచుకుంటే, అది డ్రాప్-డౌన్ మెనుని తెరుస్తుంది. ఈ మెను నుండి, మేము 'అనుమితి API' ఎంపికను ఎంచుకోవాలి.
అనుమితి API ఈ అనుమితితో ఈ నిర్దిష్ట మోడల్‌ను ఎలా ఉపయోగించాలో పూర్తి వివరణను అందిస్తుంది మరియు AI మోడల్ కోసం ప్రోటోటైప్‌ను త్వరగా సృష్టించడానికి మమ్మల్ని అనుమతిస్తుంది. అనుమితి API విండో పైథాన్ స్క్రిప్ట్‌లో వ్రాయబడిన కోడ్‌ని ప్రదర్శిస్తుంది.
మేము ఈ కోడ్‌ని కాపీ చేసి, ఈ కోడ్‌ని ఏదైనా పైథాన్ IDEలో అమలు చేస్తాము. మేము దీని కోసం Google Colabని ఉపయోగిస్తాము. పైథాన్ షెల్‌లో ఈ కోడ్‌ని అమలు చేసిన తర్వాత, ఇది స్కోర్ మరియు లేబుల్ ప్రిడిక్షన్‌తో వచ్చే అవుట్‌పుట్‌ను అందిస్తుంది. మేము 'టెక్స్ట్-సెంటిమెంట్ విశ్లేషణ' మోడల్‌ని ఎంచుకున్నందున ఈ లేబుల్ మరియు స్కోర్ మా ఇన్‌పుట్ ప్రకారం అందించబడ్డాయి. అప్పుడు, మేము మోడల్‌కు ఇచ్చే ఇన్‌పుట్ సానుకూల వాక్యం మరియు మోడల్ మూడు లేబుల్ తరగతులపై ముందే శిక్షణ పొందింది: లేబుల్ 0 ప్రతికూలతను సూచిస్తుంది, లేబుల్1 తటస్థతను సూచిస్తుంది మరియు లేబుల్ 2 సానుకూలంగా సెట్ చేయబడింది. మా ఇన్‌పుట్ సానుకూల వాక్యం కాబట్టి, మోడల్ నుండి స్కోర్ ప్రిడిక్షన్ ఇతర రెండు లేబుల్‌ల కంటే ఎక్కువగా ఉంది అంటే మోడల్ వాక్యాన్ని “పాజిటివ్ ఒకటి”గా అంచనా వేసింది.
దిగుమతి అభ్యర్థనలుAPI_URL = 'https://api-inference.huggingface.co/models/cardiffnlp/twitter-roberta-base-sentiment'
శీర్షికలు = { 'అధికారం' : 'బేరర్ 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' }
డెఫ్ ప్రశ్న ( పేలోడ్ ) :
ప్రతిస్పందన = అభ్యర్థనలు. పోస్ట్ ( API_URL , శీర్షికలు = శీర్షికలు , json = పేలోడ్ )
తిరిగి ప్రతిస్పందన. json ( )
అవుట్పుట్ = ప్రశ్న ( {
'ఇన్‌పుట్‌లు' : 'నువ్వు నాతో ఉన్నప్పుడు నాకు బాగా అనిపిస్తుంది' ,
} )
అవుట్పుట్:
ఉదాహరణ 2: అనుమితి ద్వారా సారాంశం నమూనా
మేము మునుపటి ఉదాహరణలో చూపిన విధంగా అదే దశలను అనుసరిస్తాము మరియు హగ్గింగ్ ఫేస్ నుండి దాని అనుమితి APIని ఉపయోగించి సారాంశం మోడల్ బస్సును ప్రోటోటైప్ చేస్తాము. సారాంశం మోడల్ అనేది ముందుగా శిక్షణ పొందిన మోడల్, ఇది దాని ఇన్‌పుట్‌గా మనం ఇచ్చే మొత్తం వచనాన్ని సంగ్రహిస్తుంది. హగ్గింగ్ ఫేస్ ఖాతాకు వెళ్లి, ఎగువ మెను బార్ నుండి మోడల్‌పై క్లిక్ చేసి, ఆపై సారాంశానికి సంబంధించిన మోడల్‌ని ఎంచుకుని, దాన్ని ఎంచుకుని, దాని మోడల్ కార్డ్‌ని జాగ్రత్తగా చదవండి.
మేము ఎంచుకున్న మోడల్ ప్రీ-ట్రైన్డ్ BART మోడల్ మరియు ఇది డేటాసెట్ CNN డెయిల్ మెయిల్‌కి చక్కగా ట్యూన్ చేయబడింది. BART అనేది ఎన్‌కోడర్ మరియు డీకోడర్‌ను కలిగి ఉన్న BERT మోడల్‌తో సమానంగా ఉండే మోడల్. గ్రహణశక్తి, సారాంశం, అనువాదం మరియు టెక్స్ట్-జనరేషన్ పనుల కోసం చక్కగా ట్యూన్ చేయబడినప్పుడు ఈ మోడల్ ప్రభావవంతంగా ఉంటుంది.
ఆపై, ఎగువ కుడి మూలలో ఉన్న “వియోగం” బటన్‌ను ఎంచుకుని, డ్రాప్-డౌన్ మెను నుండి అనుమితి APIని ఎంచుకోండి. అనుమితి API కోడ్ మరియు ఈ అనుమితితో ఈ మోడల్‌ని ఉపయోగించడానికి దిశలను కలిగి ఉన్న మరొక విండోను తెరుస్తుంది.
ఈ కోడ్‌ని కాపీ చేసి, పైథాన్ షెల్‌లో అమలు చేయండి.
మోడల్ అవుట్‌పుట్‌ని అందిస్తుంది, ఇది మనం దానికి అందించిన ఇన్‌పుట్ యొక్క సారాంశం.
ముగింపు
మేము హగ్గింగ్ ఫేస్ ఇన్ఫరెన్స్ APIలో పని చేసాము మరియు ఈ అప్లికేషన్ యొక్క ప్రోగ్రామబుల్ ఇంటర్‌ఫేస్‌ని ముందుగా శిక్షణ పొందిన భాషా నమూనాలతో పని చేయడానికి ఎలా ఉపయోగించవచ్చో తెలుసుకున్నాము. మేము వ్యాసంలో చేసిన రెండు ఉదాహరణలు ప్రధానంగా NLP నమూనాలపై ఆధారపడి ఉన్నాయి. హగ్గింగ్ ఫేస్ API మన అప్లికేషన్‌లలో AI మోడల్‌ల వేగవంతమైన ఇంటిగ్రేషన్‌ను అందించడం ద్వారా వేగవంతమైన ప్రోటోటైప్‌ను అభివృద్ధి చేయాలనుకుంటే అద్భుతాలు చేస్తుంది. సంక్షిప్తంగా, హగ్గింగ్ ఫేస్ మీ అన్ని సమస్యలకు ఉపబల అభ్యాసం నుండి కంప్యూటర్ దృష్టి వరకు పరిష్కారాలను కలిగి ఉంది.