google colab huggingface

### 安装和配置

为了在Google Colab环境中使用Hugging Face Transformers库，需要先确保环境已经正确设置。这通常涉及到安装必要的Python包以及可能的依赖项。

!pip install transformers datasets accelerate optimum

上述命令会下载并安装`transformers`及其相关联的数据集处理库、加速训练过程的支持库以及其他优化工具[^2]。

### 加载预训练模型

一旦完成了软件包的安装，在实际操作中可以轻松加载任何由社区贡献者上传至Hugging Face平台上的预训练模型：

from transformers import AutoModelForSequenceClassification, AutoTokenizer

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

这段代码展示了如何利用`AutoTokenizer`类来实例化一个分词器对象，并通过指定名称参数从云端获取相应的BERT变体之一——DistilBERT用于情感分析的任务模型[^5]。

### 使用模型进行预测

完成以上准备工作之后，就可以着手编写函数来进行推理或评估工作了。下面是一个简单的例子，它接受一段文本作为输入，并返回该语句的情感倾向分类结果：

import torch

def predict_sentiment(text):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)
    with torch.no_grad():
        outputs = model(**inputs)

    logits = outputs.logits
    predicted_class_id = logits.argmax().item()
    
    return f"The sentiment is {'positive' if predicted_class_id==1 else 'negative'}."

sample_text = "I love using the Hugging Face library!"
print(predict_sentiment(sample_text))

这里定义了一个名为`predict_sentiment()`的方法，它可以接收字符串类型的评论内容作为参数；接着调用了之前初始化好的分词器与模型结构，最终输出正面或是负面的情绪标签[^3]。