- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（二十四）：文本特征抽取（feature-extraction）
共计覆盖32万个模型 今天介绍多模态的第二篇：特征抽取（feature-extraction），在huggingface库内有1万个文档特征抽取（feature-extraction）模型。 二、特征抽取（feature-extraction） 2.1 概述 特征抽取（feature-extraction）用途非常广泛，指将文本、语音、图片、视频抽帧等多模态内容向量化，在内容相似比对、推荐模型 2.4 pipeline实战 基于pipeline的特征抽取（feature-extraction）任务，采用facebook/bart-base进行文本特征抽取，代码如下： import os os.environ 三、总结 本文对transformers之pipeline的文本特征抽取（feature-extraction）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于 pipeline使用文中的2行代码极简的使用多模态中的文本特征抽取（feature-extraction）模型。
1K10编辑于 2024-11-24 - 来自专栏又见苍岚
积分图加速提取 HOG 特征
sum_map return hog_matrix, hog_gra_matrix 参考资料 https://www.zywvvd.com/notes/study/image-processing/feature-extraction
70130编辑于 2023-01-11 - 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用
"feature-extraction"：将返回一个FeatureExtractionPipeline。 "fill-mask"：将返回一个FillMaskPipeline：。 "default": {"model": {"pt": ("suno/bark-small", "645cfba")}}, "type": "text", }, "feature-extraction
1.6K10编辑于 2024-08-13 AI 新手村：Embedding
generate_embedding(text: str) -> list[float]: embedding_url = "https://api-inference.huggingface.co/pipeline/feature-extraction
78910编辑于 2025-04-16- 来自专栏Tapdata
AI 数据观 | TapData Cloud+MongoDB Atlas：大模型与 RAG 技术有机结合，实现实时工单处理智能化
Ticket Description"]) { var embedding_url = "https://api-inference.huggingface.co/pipeline/feature-extraction true&w=majority&appName=Cluster0" embedding_uri = "https://api-inference.huggingface.co/pipeline/feature-extraction true&w=majority&appName=Cluster0" embedding_uri = "https://api-inference.huggingface.co/pipeline/feature-extraction question} ''' llm_model_url = "https://api-inference.huggingface.co/pipeline/feature-extraction
70410编辑于 2024-06-07 - 来自专栏SimpleAI
Huggingface🤗NLP笔记1：直接使用pipeline，是个人就能玩NLP
score': 0.9998552799224854}, {'label': 'NEGATIVE', 'score': 0.999782383441925}] pipeline支持的task包括： "feature-extraction
5.1K40发布于 2021-10-08 - 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）
os.environ["CUDA_VISIBLE_DEVICES"] = "2" from transformers import pipeline feature_extractor = pipeline("feature-extraction
99810编辑于 2024-11-26 - 来自专栏AI智能体从入门到实践
构建AI智能体：Transformers 完全指南：解锁现代 NLP 的强大力量
# 减少模型加载时的CPU内存占用 trust_remote_code=True, # 信任自定义模型代码)批次与性能参数：pipe = pipeline( "feature-extraction 特征提取 Pipelineprint("\n=== 文本特征提取 ===")feature_extractor = pipeline("feature-extraction",
38732编辑于 2026-01-22 - 来自专栏程序随笔
聊聊HuggingFace Transformer
目前可用的pipelines如下： feature-extraction(特征提取) fill-mask ner(命名实体识别) question-answering(自动问答) sentiment-analysis
1.4K11编辑于 2023-10-19 - 来自专栏相约机器人
有关如何使用特征提取技术减少数据集维度的端到端指南
https://www.kaggle.com/uciml/mushroom-classification https://www.kaggle.com/pierpaolo28/feature-extraction
1.7K20发布于 2019-10-14 - 来自专栏磐创AI技术团队的专栏
使用ONNX将GPT Neo（或其他）投入生产
transformers模型的脚本 model_name = "sentence-transformers/bert-base-nli-stsb-mean-tokens" pipeline_name = "feature-extraction
3.2K30发布于 2021-08-05 - 来自专栏信数据得永生
Transformers 4.37 中文文档（十七）
"feature-extraction": 将返回一个 FeatureExtractionPipeline。 "fill-mask": 将返回一个 FillMaskPipeline。 示例： >>> from transformers import pipeline >>> extractor = pipeline(model="bert-base-uncased", task="feature-extraction hidden_dimension] representing the input string. torch.Size([1, 8, 768]) 了解有关在 流水线教程 中使用流水线的基础知识 当前可以使用任务标识符 "feature-extraction 某些流水线，例如 FeatureExtractionPipeline（'feature-extraction'）将大张量对象输出为嵌套列表。
1.2K10编辑于 2024-06-26 - 来自专栏AI粉嫩特攻队
BERT论文解读
feature-based: 又称feature-extraction 特征提取。就是用预训练好的网络在新样本上提取出相关的特征，然后将这些特征输入一个新的分类器，从头开始训练的过程。
1.4K40发布于 2019-10-10 - 来自专栏AI粉嫩特攻队
BERT论文解读
feature-based: 又称feature-extraction 特征提取。就是用预训练好的网络在新样本上提取出相关的特征，然后将这些特征输入一个新的分类器，从头开始训练的过程。
1.1K00发布于 2019-10-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号