7.1.5 Hugging Face 快速上手

核心链路

大多数 Hugging Face 示例都能还原成一条链：

text -> tokenizer -> input_ids / attention_mask -> model.forward -> hidden states / logits / generated tokens

理解这条链以后，pipeline、Trainer、DataCollator、AutoModel... 都只是便利封装，不再是神秘 API。

四个对象

对象	负责什么	常见字段
tokenizer	文本预处理与 token 到 ID 转换	input_ids, attention_mask
config	模型结构蓝图	hidden_size, num_hidden_layers, vocab_size
model	神经网络计算	last_hidden_state, logits, generated IDs
batch	形状统一的一批张量	[batch, seq_len] 输入

最重要的习惯是检查 shape。shape 不对时，模型通常还没进入真正的“AI”部分。

实验 1：不下载权重也跑通流程

安装依赖：

python -m pip install torch transformers

这个例子用 BertConfig 创建一个很小的随机 BERT。它没有真实语言能力，但不用下载预训练权重就能看清完整调用路径。

import torch
from transformers import BertConfig, BertModel

vocab = {
    "[PAD]": 0,
    "[CLS]": 1,
    "[SEP]": 2,
    "[UNK]": 3,
    "reset": 4,
    "password": 5,
    "refund": 6,
    "order": 7,
    "please": 8,
    "help": 9,
}


def encode(text, max_length=6):
    tokens = ["[CLS]"] + text.lower().split() + ["[SEP]"]
    input_ids = [vocab.get(token, vocab["[UNK]"]) for token in tokens][:max_length]
    attention_mask = [1] * len(input_ids)

    while len(input_ids) < max_length:
        input_ids.append(vocab["[PAD]"])
        attention_mask.append(0)

    return input_ids, attention_mask


texts = ["please help reset password", "refund order"]
encoded = [encode(text) for text in texts]

input_ids = torch.tensor([item[0] for item in encoded], dtype=torch.long)
attention_mask = torch.tensor([item[1] for item in encoded], dtype=torch.long)

config = BertConfig(
    vocab_size=len(vocab),
    hidden_size=32,
    num_hidden_layers=2,
    num_attention_heads=4,
    intermediate_size=64,
)

model = BertModel(config)
outputs = model(input_ids=input_ids, attention_mask=attention_mask)

print("input_ids shape        :", tuple(input_ids.shape))
print("attention_mask shape   :", tuple(attention_mask.shape))
print("last_hidden_state shape:", tuple(outputs.last_hidden_state.shape))
print("pooler_output shape    :", tuple(outputs.pooler_output.shape))

预期输出：

input_ids shape        : (2, 6)
attention_mask shape   : (2, 6)
last_hidden_state shape: (2, 6, 32)
pooler_output shape    : (2, 32)

这样读 shape：

• 2 表示 batch 里有两段文本；
• 6 表示每段都 pad 或截断到长度 6；
• 32 来自 hidden_size=32；
• last_hidden_state 保留每个 token 一个向量；
• pooler_output 是这个 BERT 风格模型里每段文本一个向量。

实验 2：使用真实预训练模型

有网络时，使用 from_pretrained：

from transformers import AutoModel, AutoTokenizer

model_name = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name)

batch = tokenizer(
    ["please help reset password", "refund order"],
    padding=True,
    truncation=True,
    return_tensors="pt",
)

outputs = model(**batch)

print(batch.keys())
print(batch["input_ids"].shape)
print(outputs.last_hidden_state.shape)

预期形状级输出：

dict_keys(['input_ids', 'token_type_ids', 'attention_mask'])
torch.Size([2, 6])
torch.Size([2, 6, 768])

这时模型拥有预训练权重。流程还是同一条，只是 tokenizer、config 和 weights 都来自 Hub，并且必须彼此匹配。

读真实代码时的对象地图

读仓库时，把陌生名字映射回核心链路：

名称	怎么理解
pipeline	tokenizer + model 的高层演示封装
AutoTokenizer	根据模型仓库加载匹配的 tokenizer 类
AutoModel	加载不带任务头的基础模型
AutoModelForSequenceClassification	基础模型加分类头
AutoModelForCausalLM	用于 next-token generation 的 decoder 类模型
DataCollator	把样本 pad 并堆成 batch
Trainer	封装训练循环、评估、checkpoint 和日志
logits	softmax 或 token 选择之前的原始分数

排查清单

• Tokenizer 和 model 应该来自同一个模型仓库。
• 调用模型前先打印 batch.keys() 和张量 shape。
• 只要用了 padding，通常就需要 attention_mask。
• 随机 BertModel(config) 只用于理解接口，不是预训练模型。
• AutoModel 输出表示；任务专用类会输出任务 logits。
• CUDA 内存报错时，先降 batch size、sequence length 或 model size，再怀疑代码逻辑。

练习

1. 把实验 1 的 max_length 从 6 改成 4，哪个 token 被截掉？
2. 把 hidden_size=64，哪个输出 shape 改变？
3. 加入第三句话，确认 batch 维度从 2 变成 3。
4. 在实验 2 中把 AutoModel 换成 AutoModelForSequenceClassification，会多出什么字段？
5. 解释为什么 pipeline() 适合演示，但不足以排查 batch shape 问题。

小结

学习 Hugging Face 最稳的方法是跟着张量走：

tokenizer creates tensors -> model consumes tensors -> outputs expose states or logits

一旦能检查这条路径，官方示例就不会那么吓人。