Cookbook

别一上来就搞复杂了，咱们先搭个能跑起来的“厨房”。这门课用的是 Hugging Face 的 Cookbook，说白了就是一套现成的 AI 菜谱，你跟着做就行。

1）注册 Hugging Face 账号
去 huggingface.co 注册，免费。国内访问可能有点慢，建议用 Chrome 开个 VPN 或直接换国内镜像站（比如 hf-mirror.com）。注册完记得去 Settings 里生成一个 Access Token，后面要用。

2）装 Python 和必要的库
你电脑上得有 Python 3.8 以上。打开终端（Windows 用 cmd 或 PowerShell），敲下面这行：
```
pip install transformers datasets accelerate sentencepiece
```
如果下载慢，加个国内源，比如：
```
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple transformers datasets accelerate sentencepiece
```

3）验证环境
写个简单的 Python 脚本测试一下：
```python
from transformers import pipeline
generator = pipeline('text-generation', model='gpt2')
result = generator("你好，今天天气不错", max_length=30)
print(result)
```
跑出来有结果就说明环境没问题。如果报错，多半是网络或版本问题，别慌，检查下 Python 版本和 pip 是否最新。

4）下载 Cookbook 示例代码
Hugging Face 官方有 Cookbook 仓库，地址：https://github.com/huggingface/cookbook。直接 git clone 或者下载 ZIP 都行。国内网络慢的话，用 Gitee 镜像搜一下“huggingface cookbook”也能找到。

实用技巧：每次跑代码前，先 `import torch` 看看有没有 GPU，有的话速度飞起。没有也别怕，CPU 也能跑，就是慢点。

这一章咱们玩文本生成，就是让 AI 帮你写东西。用 Hugging Face 的 pipeline 最省事，一行代码就能调模型。

1）加载模型
pipeline 会自动下载模型，第一次跑会慢点。选一个中文模型，比如“uer/gpt2-chinese-cluecorpussmall”：
```python
from transformers import pipeline
generator = pipeline('text-generation', model='uer/gpt2-chinese-cluecorpussmall')
```

2）写第一个 Prompt
Prompt 就是你对 AI 说的话，质量决定输出。试试这个：
```python
result = generator("人工智能的未来是", max_length=50, num_return_sequences=1)
print(result[0]['generated_text'])
```
你会看到模型接着“人工智能的未来是”往下写，有时靠谱有时胡扯，正常。

3）调参数让输出更靠谱
几个关键参数：
- `max_length`: 输出最大长度（包括你给的输入）
- `temperature`: 控制随机性，0.7 左右比较稳，太高容易胡说，太低太死板
- `top_p`: 另一种随机策略，0.9 常用
- `do_sample`: 设为 True 才启用随机，否则模型只会选最可能的词（很无聊）
试试这个组合：
```python
result = generator("写一段关于机器学习的介绍：", max_length=100, temperature=0.8, top_p=0.9, do_sample=True)
print(result[0]['generated_text'])
```

4）实用 Prompt 模板
你可以直接拿来用，改改主题就行：
```
请用通俗易懂的语言解释[概念]，要求：
- 不超过100字
- 举一个生活中的例子
- 语气轻松
```
在代码里这样用：
```python
prompt = "请用通俗易懂的语言解释深度学习，要求：不超过100字，举一个生活中的例子，语气轻松"
result = generator(prompt, max_length=150, temperature=0.7)
print(result[0]['generated_text'])
```

5）保存和复用模型
不想每次下载？可以保存到本地：
```python
generator.save_pretrained('./my_gpt2_model')
```
下次加载直接用：
```python
from transformers import pipeline
generator = pipeline('text-generation', model='./my_gpt2_model')
```
这样断网也能用，特别适合国内用户。

文本分类就是让 AI 判断一段话属于哪一类，比如正面还是负面。Hugging Face 上有现成的情感分析模型，直接调。

1）加载情感分析 pipeline
最经典的是“distilbert-base-uncased-finetuned-sst-2-english”，但它是英文的。中文用这个：
```python
from transformers import pipeline
classifier = pipeline('text-classification', model='lxyuan/distilbert-base-multilingual-cased-sentiments-student')
```
这个模型支持中文，能输出 positive（正面）或 negative（负面）以及置信度。

2）测试几个句子
```python
texts = ["这部电影太棒了，我哭了好几次", "这服务真差，再也不来了", "今天天气不错"]
for text in texts:
result = classifier(text)
print(f"文本: {text} -> 情感: {result[0]['label']}, 置信度: {result[0]['score']:.2f}")
```
你会看到“太棒了”被识别为正面，“真差”为负面，“天气不错”可能偏正面。置信度小于0.6时，结果可能不准，别全信。

3）自定义分类任务
如果你想分“技术、娱乐、体育”这类，需要找一个合适的模型或自己微调。这里用零样本分类（zero-shot-classification）快速演示：
```python
classifier_zs = pipeline('zero-shot-classification', model='facebook/bart-large-mnli')
candidate_labels = ["技术", "娱乐", "体育"]
result = classifier_zs("OpenAI发布了GPT-5，性能提升十倍", candidate_labels)
print(result['labels'][0], result['scores'][0])
```
输出大概率是“技术”，因为提到了GPT。零样本不需要训练数据，适合快速验证想法。

4）批量处理文本
如果你有几百条评论要分析，别一条条跑，用列表一次搞定：
```python
reviews = ["产品很好用", "物流太慢了", "性价比高", "客服态度恶劣"]
results = classifier(reviews)
for review, res in zip(reviews, results):
print(f"{review}: {res['label']} ({res['score']:.2f})")
```
注意：模型有最大输入长度限制（一般512 token），太长的文本要截断或分段。

5）实用技巧：结果可视化
装个 matplotlib，画个柱状图看看分布：
```python
import matplotlib.pyplot as plt
labels = [res['label'] for res in results]
plt.hist(labels)
plt.show()
```
如果大部分是 positive，说明你的产品口碑不错；反之就得改进了。

前面都是在 Hugging Face 上现用现跑，但如果你想离线用或者分享给别人，就得学会本地部署。这一章教你两步搞定。

1）下载模型到本地
用 `from_pretrained` 加 `cache_dir` 参数，指定一个文件夹：
```python
from transformers import AutoModel, AutoTokenizer
model_name = "uer/gpt2-chinese-cluecorpussmall"
tokenizer = AutoTokenizer.from_pretrained(model_name, cache_dir="./my_models")
model = AutoModel.from_pretrained(model_name, cache_dir="./my_models")
```
下载完后，`./my_models` 里就有模型文件了。以后断网也能加载：
```python
tokenizer = AutoTokenizer.from_pretrained("./my_models/uer/gpt2-chinese-cluecorpussmall")
model = AutoModel.from_pretrained("./my_models/uer/gpt2-chinese-cluecorpussmall")
```
注意：模型文件可能很大（几个G），确保硬盘够用。

2）用 Gradio 做个网页界面
想让别人通过浏览器用你的模型？Gradio 最方便。先装：
```
pip install gradio
```
然后写个简单界面：
```python
import gradio as gr
from transformers import pipeline

generator = pipeline('text-generation', model='./my_models/uer/gpt2-chinese-cluecorpussmall')

def generate_text(prompt, max_length):
result = generator(prompt, max_length=int(max_length), do_sample=True)
return result[0]['generated_text']

iface = gr.Interface(
fn=generate_text,
inputs=[gr.Textbox(label="输入提示"), gr.Slider(10, 200, value=50, label="最大长度")],
outputs="text",
title="中文文本生成器",
description="输入一段话，AI 帮你续写"
)
iface.launch()
```
运行后会在本地开一个网页（默认 http://127.0.0.1:7860），点开就能用。如果想让别人远程访问，加个 `share=True` 参数，Gradio 会生成一个临时公网链接。

3）上传到 Hugging Face 分享
想永久分享？把你的模型上传到 Hugging Face Hub。先装 `huggingface_hub`：
```
pip install huggingface_hub
```
登录（用之前生成的 Token）：
```python
from huggingface_hub import notebook_login
notebook_login()
```
然后上传整个模型文件夹：
```python
from huggingface_hub import upload_folder
upload_folder(
folder_path="./my_models/uer/gpt2-chinese-cluecorpussmall",
repo_id="你的用户名/你的模型名",
repo_type="model"
)
```
别人就能用 `from_pretrained("你的用户名/你的模型名")` 下载了。上传前记得删掉不必要的缓存文件，省流量。

4）实用技巧：模型压缩
模型太大？用 `quantization`（量化）把参数从32位浮点转成8位整数，体积缩小4倍，精度损失很小：
```python
model = AutoModel.from_pretrained("./my_models/uer/gpt2-chinese-cluecorpussmall", load_in_8bit=True)
```
这样在低配电脑上也能跑。