Hugging Face 的 pipeline 背后做了什么？

Hugging Face 的 pipeline 是一个高层封装工具，简化了许多繁琐的操作，使得开发者可以快速调用 NLP 模型完成复杂任务。以示例中的 情感分析任务 (sentiment-analysis) 为例，pipeline 背后执行了以下三个主要步骤：

1. 预处理（Preprocessing）

• 目标： 将原始文本转化为模型可以理解的输入格式。
• 操作：
  1. 使用 Tokenizer（分词器）将输入的自然语言文本分解为 token（子词单元）。
  2. 将 token 转换为对应的数字 ID，构建模型所需的输入格式。
  3. 添加特殊标记（如 [CLS]、[SEP]）和填充（padding），使输入满足模型的固定格式。
• 输入：
  • 原始文本："I've been waiting for a HuggingFace course my whole life."
• 输出：
  • 输入 ID（input IDs）：[101, 2023, 2607, 2003, 6429, 999, 102]（这是 token 对应的数字化表示）。

2. 模型推理（Model Forward Pass）

• 目标： 将预处理后的输入传递给模型进行推理，生成输出 logits。
• 操作：
  1. 输入数字化的 token ID 和相关信息（如 attention masks）到模型。
  2. 模型计算输出 logits（未归一化的分数），表示每个类别的置信度。
• 输入：
  • 数字化表示的 input IDs。
• 输出：
  • Logits：[-4.3630, 4.6859]（表示类别的未归一化分数，越大置信度越高）。

3. 后处理（Postprocessing）

• 目标： 将模型输出的 logits 转换为人类可读的格式。
• 操作：
  1. 使用 Softmax 函数将 logits 转换为概率值。
  2. 找到概率值最高的类别并标注为最终的预测结果。
• 输入：
  • Logits：[-4.3630, 4.6859]
• 输出：
  • 概率分布：[NEGATIVE: 0.11%, POSITIVE: 99.89%]
  • 最终结果：{'label': 'POSITIVE', 'score': 0.9598048329353333}

不涉及JSON文件

在 Hugging Face 的 pipeline 背后的 三个步骤之间（预处理、模型推理、后处理），并不是通过 JSON 文件传递数据。这些步骤是通过 Python 对象和内存中的数据直接传递的，使用的是 Python 和 PyTorch/TensorFlow 等深度学习框架的高效内存操作（如张量和字典），而不是文件操作。

数据传递的具体机制

1. 预处理（Preprocessing）

• 输入数据： 由用户提供的自然语言文本。
• 输出数据： 转换后的模型输入格式（token IDs 和相关信息）。
• 传递方式： 直接将数据存储在内存中的 PyTorch Tensor 或 NumPy Array 对象中。

2. 模型推理（Model Forward Pass）

• 输入数据： 预处理后的 token IDs 和 attention masks 等。
• 输出数据： 模型生成的 logits（未归一化分数）。
• 传递方式： 数据通过 Python 对象直接传递，通常是 torch.Tensor 或 tf.Tensor 格式。

3. 后处理（Postprocessing）

• 输入数据： 模型推理生成的 logits。
• 输出数据： 转换为概率分布和最终结果（如 {'label': 'POSITIVE', 'score': 0.95}）。
• 传递方式： 数据在内存中以 Python 的标准数据类型（如列表或字典）返回。

为什么不是 JSON 文件？

以下是 Hugging Face 在 pipeline 内部没有使用 JSON 文件作为数据传递方式的原因：

1. 数据传递的高效性

• JSON 文件涉及文件的读写操作，会显著增加延迟。
• 直接在内存中操作数据（如 torch.Tensor）效率更高，适合深度学习模型的推理过程。

2. 数据格式的复杂性

• 模型的输入（如 token IDs 和 attention masks）和输出（如 logits）通常是多维张量（tensor）。
• JSON 不适合存储复杂的高维数据结构，转换为 JSON 会引入额外的复杂性。

3. 实时性需求

• pipeline 的设计目标是实时处理数据，而文件读写会对实时性产生不必要的影响。

虽然 pipeline 的内部步骤没有使用 JSON 文件，但在以下场景下，JSON 可能会被用到：

1. 用户输入/输出

• 如果用户从外部文件（如 JSON 文件）加载输入，或将输出保存为 JSON 文件，JSON 会用于持久化存储。

2. API 通信

• 如果 pipeline 被部署为 API 服务（如通过 REST API 提供服务），通常会使用 JSON 格式传递请求和响应。

3. 分布式计算

• 在一些需要跨进程通信的场景中，可能会使用 JSON 或其他序列化格式传递数据。

使用分词器进行预处理

神经网络模型无法直接处理文本，因此首先需要通过预处理环节将文本转换为模型可以理解的数字。具体地，我们会使用每个模型对应的分词器 (tokenizer) 来进行：

1. 分词（Tokenization）

• 将文本分解为较小的单元（单词或子词，称为 tokens）。

2. 将 tokens 转换为数字 ID

• 分词器通过查找模型词汇表，将每个 token 映射到对应的数字编码（token IDs）。

3. 特殊标记

• 添加模型需要的特殊标记，如句子开头的 [CLS] 和结尾的 [SEP]。

4. 填充（Padding）

• 对于批量输入，分词器会将短句填充到相同长度，确保张量形状一致。

我们对输入文本的预处理需要与模型自身预训练时的操作完全一致，只有这样模型才可以正常地工作。

注意，每个模型都有特定的预处理操作，如果对要使用的模型不熟悉，可以通过 Model Hub 查询。这里我们使用 AutoTokenizer 类和它的 from_pretrained() 函数，它可以自动根据模型 checkpoint 名称来获取对应的分词器。

代码

from transformers import AutoTokenizer

checkpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)

raw_inputs = [
    "I've been waiting for a HuggingFace course my whole life.",
    "I hate this so much!"
]

inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors="pt")
print(inputs)

加载分词器

tokenizer = AutoTokenizer.from_pretrained(checkpoint)

• checkpoint： 指定模型名称 distilbert-base-uncased-finetuned-sst-2-english。
• AutoTokenizer.from_pretrained()： 根据模型自动加载对应的分词器。

输入文本

raw_inputs = [
    "I've been waiting for a HuggingFace course my whole life.",
    "I hate this so much!"
]

• 这个由中括号框住的内容是 Python 中的列表（List） 格式，而其中的每个元素是 字符串（String）。

列表（List）：

• Python 中的一种数据结构，可以存储多个有序的元素。
• 列表中的元素可以是任意类型（如字符串、数字、布尔值、甚至嵌套的列表）。
• 使用中括号 [] 表示。
• 列表元素之间用逗号 , 分隔。

分词和编码

inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors="pt")

• padding=True： 对短句进行填充，使所有句子的长度一致。
• truncation=True： 截断超长文本，确保输入长度不超过模型最大限制。
• return_tensors="pt"： 将输出结果转换为 PyTorch 的张量格式。

输出结果解析

字段解释

• input_ids

  • 表示每个句子经过分词后转化的 token IDs。
  • 每一行对应一个输入句子，数字表示模型词汇表中 token 的索引。

• attention_mask

  • 用于标识哪些位置是有效 token，哪些是填充 token：
    • 1 表示有效 token。
    • 0 表示填充 token（padding）。

将预处理好的输入送入模型

基础模型：AutoModel

加载基础模型（AutoModel）

model = AutoModel.from_pretrained(checkpoint)

• 这是一个基础的 Transformer 模型，仅计算中间层特征（hidden states）。
• 并没有特定的任务头（head），因此不能直接用于分类等具体任务。

输出内容

• 输出的 last_hidden_state 是一个三维张量，维度为 (batch_size, sequence_length, hidden_size)。
• torch.Size([2, 16, 768])：
  • Batch size: 2（因为输入了两句文本）。
  • Sequence length: 16（分词器将短句填充到相同长度）。
  • Hidden size: 768（DistilBERT 的特征维度）。

特定任务模型：AutoModelForSequenceClassification

加载任务模型

• AutoModelForSequenceClassification 是为文本分类任务设计的模型。
• 在基础模型的顶部添加了分类头（classification head），用于输出分类 logits。

输出内容

• logits： 分类器的输出结果，表示每个类别的未归一化分数。
• torch.Size([2, 2])：
  • Batch size 为 2（两条输入）。
  • 每条输入有两个分类分数（如 POSITIVE 和 NEGATIVE）。

分类任务的完整流程

• 输入经过基础模型（计算 hidden states）。
• hidden states 被传入分类头，得到每个类别的 logits。

第一步：输入经过基础模型

• 模型首先接收已经分词和编码的输入数据，包括 input_ids（token 的数字表示）和 attention_mask（标记有效 token 的掩码）。
• 基础模型（如 AutoModel 或 BERT）会将这些输入传递给其内部的 Transformer 网络，逐层处理，生成 hidden states（隐藏层特征表示）。

hidden states 是什么？

• Hidden states：
  • 表示每个 token 的上下文特征，是模型内部计算出的高维向量（例如，768 维或更高）。
  • 它们是文本经过 Transformer 网络后的中间语义表示。

hidden states 的作用：

• 它们是基础模型的输出，是后续任务（如分类、问答等）的输入。
• 类似于“语义向量”，代表了模型对文本的深层次理解。

第二步：hidden states 被传入分类头（Classification Head）

• 分类头（head）：

  • 一个额外的神经网络层，通常是全连接层（fully connected layer），用于特定任务（如分类）。
  • 它会接收基础模型的 hidden states，并将其映射到类别概率空间。

• 工作原理：

  • 分类头会根据 hidden states 计算出每个类别的分数，称为 logits。
  • 例如，对于二分类任务（如情感分析），会输出两个 logits（分别对应 POSITIVE 和 NEGATIVE）。

第三步：从 logits 得到分类结果

• Logits：

  • logits 是未归一化的分数，表示每个类别的可能性大小。
  • 例如，[0.5, -1.2] 可能表示 POSITIVE 和 NEGATIVE 的初始分数。

• Softmax：

  • 一般会对 logits 应用 Softmax 函数，将分数转换为概率分布。
  • 例如，[0.5, -1.2] 经过 Softmax 后，可能得到 [0.88, 0.12]，表示 POSITIVE 的概率为 88%。

• 最终分类：

  • 选择概率最大的类别作为最终分类结果。
  • 例如，POSITIVE 是概率最大的类别，因此输出 POSITIVE。