Hugging Face NLP 课程开课了，所有课程完全免费。

NLP 领域的小伙伴应该都非常熟悉大名鼎鼎的 Hugging Face，这家专注于解决各种 NLP 问题的初创公司为社区带来了很多有益的技术成果。去年，该团队的 Transformers 代码库论文获得了 EMNLP 2020 最佳 demo 奖。今年 4 月，该团队发布了适用于多 GPU、TPU 和混合精度训练的 PyTorch 新库「Accelerate」。
近日，Hugging Face 在其官方推特上宣布推出第一部分 NLP 课程，内容涵盖如何全面系统地使用 Hugging Face 的各类库（即 Transformers、Datasets、Tokenizers 和 Accelerate），以及 Hugging Face Hub 中的各种模型。更重要的是，所有课程完全免费且没有任何广告。

课程主页：https://huggingface.co/course/chapter0?fw=pt
整个系列的课程分为入门（Introduction）、进阶（Diving in）和高级（Advanced），其中具体如下：

  • 入门：Transformer 模型、使用 Transformers、微调预训练模型以及分享模型和 tokenizers；

  • 进阶：Datasets 库、Tokenizers 库、主要 NLP 任务以及如何寻求帮助；

  • 高级：专用架构、加速训练、自定义训练 loop 以及向 Hugging Face 提交贡献。

Hugging Face 本次推出的正是入门课程。通过四个章节的内容讲解，学习者可以学得使用 pipeline 函数来解决文本生成和分类等 NLP 任务、Transformer 架构，以及区分编码器、解码器、编码器 - 解码器架构和用例。
与此同时，Hugging Face 在课程中使用的所有库都可以通过 Python 包获得。学习者首先需要设置 Python 环境和安装专用库，并可以使用 Colab notebook 或 Python 虚拟环境来设置自己的工作环境。具体操作请参阅课程主页中的「setup」部分。
课程概览
第 1 章到第 4 章（入门）介绍了 Transformers 库的主要概念。本部分课程结束时，你将熟悉 Transformer 模型的工作原理，并了解如何使用 Hugging Face Hub 中的模型，在数据集上对其进行微调，以及在 Hub 上共享结果。
第 5 章到第 8 章（进阶）介绍了在深入研究经典的 NLP 任务之前，首先介绍了数据集和 Tokenizers 的基础知识。本部分结束时，你将能够自己解决最常见的 NLP 问题。
第 9 章到第 12 章（高级），会进行深入的学习，展示了专业架构（内存效率，长序列等），并教你如何为用例编写自定义对象。在本部分结束时，你将会解决复杂的 NLP 问题。
以下为第 1 章到第 4 章（入门）课程内容：

注意，学习这门课程，你需要掌握以下知识：

  • 需要良好的 Python 知识；

  • 最好是在学习完基础性的深度学习课程之后，比如「Practical Deep Learning for Coders 」或者 deeplearning.ai 的深度学习课程；

  • 不需要提前学习 PyTorch 或 TensorFlow 知识，不过熟悉其中任何一种都会有所帮助。

内容中包含的图片若涉及版权问题，请及时与我们联系删除