Transformers 是 Hugging Face 推出的深度学习库，支持文本、视觉和音频任务。本文介绍安装方法、核心组件 Pipeline 及 Model 的使用，涵盖情感分析、目标检测等示例，并提供最佳实践建议。内容包含环境搭建、代码实战、模型保存加载及性能优化方案。
Transformers 是由 Hugging Face 开发的一个深度学习库，提供了数千个预训练模型，支持文本、视觉和音频处理任务。该库基于 Jax、PyTorch 和 TensorFlow 三大主流深度学习框架，广泛应用于自然语言处理（NLP）、计算机视觉（CV）及语音识别领域。
确保使用 Python 3.7 或更高版本：
python --version
Transformers 和 Datasets 是核心库，建议通过 pip 安装：
pip install transformers datasets
根据项目需求选择 PyTorch 或 TensorFlow：
# PyTorch 安装
pip install torch
# TensorFlow 安装
pip install tensorflow
注意：PyTorch 具有动态计算图特性，适合快速原型开发；TensorFlow 则在企业级部署中表现稳定。安装完成后，可使用
pip list验证库是否已正确安装。
Pipeline 是 Transformers 提供的最便捷接口，封装了预处理、推理和后处理流程，适用于快速测试不同任务。
| 类型 | 任务 | 描述 | 标识符 |
|---|---|---|---|
| NLP（文本类） | 情绪分析 | 分析文本情感倾向 | pipeline(task="sentiment-analysis") |
| NLP（文本类） | 文本生成 | 根据提示生成连贯文本 | pipeline(task="text-generation") |
| NLP（文本类） | 摘要生成 | 生成长文档的摘要 | pipeline(task="summarization") |
| 视觉图像类 | 图像分类 | 识别图片中的物体类别 | pipeline(task="image-classification") |
| 视觉图像类 | 目标检测 | 预测对象位置及类别 | pipeline(task="object-detection") |
| 视觉图像类 | 图片转标题 | 为图像生成描述性标题 | pipeline(task="image-to-text") |
| 音频类 | 音频分类 | 对音频场景进行分类 | pipeline(task="audio-classification") |
| 音频类 | 语音识别 | 将音频转换为文本 | pipeline(task="automatic-speech-recognition") |
在终端进入 Python 环境后，可创建 Pipeline 实例：
from transformers import pipeline
# 初始化情感分析管道
classifier = pipeline("sentiment-analysis")
# 单文本分析
result = classifier("I love using Transformers library!")
print(result)
# 批量分析
results = classifier(["This is great.", "Terrible experience."])
for res in results:
print(res)
Pipeline 虽然方便，但在生产环境中，直接操作 Model 和 Tokenizer 能提供更细粒度的控制。
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
model_name = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
inputs = tokenizer("Hello world", return_tensors="pt")
outputs = model(**inputs)
为了复用训练好的模型，可以将其保存到本地：
# 保存
model.save_pretrained("./my_model")
tokenizer.save_pretrained("./my_model")
# 加载
loaded_model = AutoModelForSequenceClassification.from_pretrained("./my_model")
loaded_tokenizer = AutoTokenizer.from_pretrained("./my_model")
使用 DETR 模型进行目标检测时，可获得图像中对象的名称、位置和置信度：
from transformers import pipeline
detector = pipeline("object-detection")
results = detector("https://example.com/image.jpg")
for item in results:
print(f"Label: {item['label']}, Score: {item['score']}, Box: {item['box']}")
若拥有 NVIDIA GPU，请确保安装 CUDA 版本的 PyTorch，并启用混合精度训练以提升速度：
model.to("cuda")
inputs = inputs.to("cuda")
对于大模型，建议使用 torch.cuda.empty_cache() 清理缓存，或使用 gradient_checkpointing 降低显存占用。
在资源受限环境下，可对模型进行量化（如 INT8），显著减少内存占用并提升推理速度。
通过合理使用 Transformers 库，开发者可以快速构建高性能的 AI 应用，无需从零训练模型即可利用业界领先的预训练能力。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online