Hugging Face TransFormers是Hugging Face开发的一个NLP包，支持加载目前绝大部分的预训练模型。随着 BERT、GPT 等大规模语言模型的兴起，越来越多的公司和研究者采用 Transformers 库来构建 NLP 应用。 因此Hugging Face为了更方便开发者推理微调大模型，就封装了很多组件，其中pipelines就是使用最多的一个组件。
pipelines可以做什么？pipelines可以更方便的完成NLP分类的任务，其中包括如下几类：
文本分类：例如情感分析、句子对关系判断等；对文本中的词语进行分类：例如词性标注 (POS)、命名实体识别 (NER) 等；文本生成：例如填充预设的模板 (prompt)、预测文本中被遮掩掉 (masked) 的词语；从文本中抽取答案：例如根据给定的问题从一段文本中抽取出对应的答案；根据输入文本生成新的句子：例如文本翻译、自动摘要等。Transformers 库最基础的对象就是 pipeline() 函数，它封装了预训练模型和对应的前处理和后处理环节。目前常用的 pipelines 有：
feature-extraction （获得文本的向量化表示）fill-mask （填充被遮盖的词、片段）ner（命名实体识别）question-answering （自动问答）sentiment-analysis （情感分析）summarization （自动摘要）text-generation （文本生成）translation （机器翻译）zero-shot-classification （零训练样本分类）下面我们以常见的几个 NLP 任务为例，展示如何调用这些 pipeline 模型。
情感分析(sentiment-analysis)情感分析在智能客服系统、推荐系统中都是非常重要的技术。可以通过对话，来分析出客户的实际情感变化，以此来促进成交量，这个技术在京东商城，淘宝商城都是经常用到的。使用pipeline来实现这个功能，就非常轻松了。
from transformers import pipelineclassifier = pipeline("sentiment-analysis") # 情感分析classifier(["I like eat apple ","I hate eat apple "])
通过结果可以看出，基本上回复的还是比较准确的。但是针对的还是国内用户的使用者比较多，就要考虑中文语句的解析了，接下来使用中文句式在预测一边看下效果。
classifier(["我喜欢吃苹果 ","我讨厌吃苹果 "])
经过结果的预测发现，针对中文这个基本的大模型并没有对中文做很好的识别，还好pipeline是允许调用其他模型进行推理的。
采用大众点评训练的数据集的中文oBERTa-Base分类模型，看下是否符合商业化的应用。
from transformers import pipelineclassifier = pipeline("sentiment-analysis",model="uer/roberta-base-finetuned-dianping-chinese") # 情感分析classifier(["我喜欢吃苹果 ","我讨厌吃苹果 "])
通过结果可以看出，使用大众点评训练的中文oBERTa-Base分类模型，是完全符合中文情感分析预测的要求。在余下章节中会介绍结合Langchain，fastAPI开发一款用来预测评价、评论情感分析的app应用。
零训练样本分类（zero-shot-classification）零训练样本分类是一种自然语言处理（NLP）任务，其核心目标是在没有直接针对目标任务的标注数据的情况下，对文本进行分类。对于做情感分析、文本分类、多语言分类、意图识别都是非常重要的技术。
from transformers import pipelineclassifier = pipeline("zero-shot-classification") # 零训练样本分类result =ifier("This is a course about the Transformers library",candidate_labels=["education", "politics", "business"],)print(result)
通过结果可以看出，零训练样本分类的输出，还是比较准确的。对于中文结果的分类，还是要运行预测下的。
from transformers import pipelineclassifier = pipeline("zero-shot-classification") # 零训练样本分类''' '''result =ifier("川普“解放日”关税：全球10%基础税率，对中叠加征税达54%",candidate_labels=["教育", "政治", "经济"],)print(result)
无论是中文还是英文，对于零样本分类预测都是比较准确的。余下的章节会介绍文本生成、遮盖词填充、命名实体识别等。
