别人是面向”对象”学习，我呢？面向Boss直聘学习。无疑，今年生成式AI的火热，aigc+方向可谓首选。在刷完一堆吴恩达和他的朋友们的课后，在Boss上看到这则招聘，方向有了…
AIGC前端工程师
我是看PHP入门开发的，无聊的CRUD和命令行，让我把陈小春的《神啊救救我吧》听了一百遍。有天，亲戚小孩把奥特曼摆到了家里的神龛上，对着光之使者磕头跪拜，可爱之外让人哭笑不得，那时我正敲着js代码写一个页面特效… 后来我成了一名前端工程师，写代码的时候，眼里是经常会有光的。我觉得我在写前端的时候，并不是在写代码，而是一位导演，html是我的演员，css是化妆师， js是动作导演或特效师，将自己的创意代码展示给用户。
时光穿梭，经历了全栈、微服务、云开发等技术变革后，来到了AI的时代。作为一名前端工程师，应该怎么学习，跟Boss谈“心”呢？
在看了一些AI算法和吴恩达的课程后，我又想起了那尊被小孩摆在神龛上的奥特曼。我的AI学习是要有光的，AIGC前端方面的东西才是我想要搞明白的。在经过一些摸索后，发现Hugging Face的transformers可以让前端更快速找到AI任务快感，LangChain可以方便做出AI应用，Flowise这种AI低代码实现让枯燥的AI流程一看便知，于是，为了明年在AIGC前端方向上好跟Boss谈，我计划写些文章，记录自己学习的过程。应该有挺多前端朋友，也跟我一样吧，那就来帮我指出一些问题吧….
何为Hugging Face?
Hugging Face 仿佛就是那一道从奥特曼手里射出的光，让我从NLP的理论学习痛苦中抽离出来，快速消灭了一些NLP“怪兽”。
Hugging Face 是目前最火的NPL开源社区，里面有着丰富的开源大模型和数据集，简化了开发流程，提供了类似github page一样的在线项目托管工具，非常适合前端AIGC新人来玩,发布项目。
核心产品Transformers库
Hugging Face的核心产品是Transformers库，它提供了一系列预训练模型和API，用于解决各种NLP任务，如文本分类、命名实体识别、机器翻译等。Transformers库还提供了一系列工具和API，用于简化模型训练和部署的流程。
基于我的渣渣电脑，建议就直接上手
Google Colab
来个transformers初体验。
pipeline 一个情感分析任务
常见的NLP任务有文本分类（Text Classification）、命名实体识别（Named Entity Recognition）、机器翻译（Machine Translation）、问答系统（Question Answering）、序列标注（Sequence Labeling）、文本生成（Text Generation）等，接下来的代码就是文本分类里的情感分析任务，在transfomers里，我们用pipeline来安排一个NPL任务。
!pip install transformers # 安装huggingface开源的 transformers库
from transformers import pipeline # pipeline是 transfromers的模块，专业安排各种NLP。
classifier = pipeline('sentiment-analysis') #安排了情感分析任务
result = classifier('I love you')[0] #返回情感分析结果
print(f"label: {result['label']}, with score: {round(result['score'], 4)}")
输出结果为: label: POSITIVE, with score: 0.9999
0.9999的积极， 当然，写代码的尽头是为了爱….
自此，我们就利用Hugging Face 的 transformers库完成了第一个情感分析任务，我这位前端小学生又要跟着奥特曼飞向AIGC的星系了。
pipeline 一个机器翻译的例子
from transformers import pipeline
translator = pipeline("translation_en_to_fr")
result = translator("Hugging Face is a technology company based in New York and Paris", max_length=40)
print(result[0]['translation_text'])
输出结果为: Hugging Face est une entreprise technologique basée à New York et à Paris.
pipeline 一个问答系统的例子
from transformers import pipeline
question_answerer = pipeline("question-answering")
context = r"""
Machine learning (ML) is the study of computer algorithms that improve automatically through experience.
It is seen as a subset of artificial intelligence. Machine learning algorithms build a model based on
sample data, known as "training data", in order to make predictions or decisions without being explicitly
programmed to do so. Machine learning algorithms are used in a variety of applications, such as email
filtering and computer vision, where it is difficult or infeasible to develop a conventional algorithm
for effectively performing the task.
"""
result = question_answerer(question="What is machine learning?", context=context)
print(f"Answer: {result['answer']}")
输出结果为: the study of computer algorithms that improve automatically through experience
总结
以上我们介绍了Hugging Face 的 transformers库，轻松上手了一些常见NLP任务。大家可以到Pipelines (huggingface.co)看更多NLP任务， 亲手把玩。
思考题
请把上面代码里的 “I love you” 改成 “遥遥领先”，看看结果， 有什么问题？
期待评论区有你的代码实现。
下一集 transformers model 来解决这个问题。
