目录
2.2 家谱树谱——encoder or decoder is a problem
2.3.3 pipeline返回参数
一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型
今天介绍NLP自然语言处理的第六篇：文本生成（text-generation），在huggingface库内有13.4万个文本生成（text-generation））模型，当仁不让为最重要的task，当前主流的大语言模型，比如国外的llama3、gemma、Phi、GPT，国内的Qwen、Baichuan都属于这个任务。
二、文本生成（text-generation）
2.1 概述
生成文本是根据一段文本生成新文本的任务。例如，这些模型可以填充不完整的文本或释义。
2.2 家谱树谱——encoder or decoder is a problem
关于各家大语言模型（LLM）的原理、训练、部署、推理之前讲了非常多，本篇博文不再进行复述，如果需要的话可以翻我之前的博客，非常用心与详细。今天主要带大家看一下大语言模型（LLM）的家族树谱。
2.3 pipeline参数
2.3.1 pipeline对象实例化参数
2.3.2 pipeline对象使用参数
2.3.3 pipeline返回参数
2.4 pipeline实战
本文实战方面只对pipeline的使用方法进行阐述，每家的模型都有自己的参数、范式，更详细的使用可以翻看我之前的博文，写的全面一些。这里介绍两种pipeline使用方法：
import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
from transformers import pipeline
generator = pipeline(task="text-generation",model= "openai-community/gpt2" )
output=generator( "我不敢相信你做了这样的事 " , do_sample= False )
print(output)
generator = pipeline(task="text-generation",model= "HuggingFaceH4/zephyr-7b-beta" )
output=generator([{ "role" : "user" , "content" : "法国的首都是什么？用一个词回答。" }], do_sample= False , max_new_tokens= 2 )
print(output)
执行后，自动下载模型文件并进行识别：
2.5 模型排名
在huggingface上，我们将文本生成（text-generation）模型按下载量从高到低排序，总计13.5万个模型，可以说是huggingface上最多的任务类别了。下载排名第一的为GPT的第2代模型——gpt2，llama3、qwen2的小尺寸模型也有上榜。
三、总结
本文对transformers之pipeline的文本生成（text-generation）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NLP中的文本生成（text-generation）模型。
期待您的3连+关注，如何还有时间，欢迎阅读我的其他文章：
《Transformers-Pipeline概述》
【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用
《Transformers-Pipeline 第一章：音频（Audio）篇》
【人工智能】Transformers之Pipeline（一）：音频分类（audio-classification）
【人工智能】Transformers之Pipeline（二）：自动语音识别（automatic-speech-recognition）
【人工智能】Transformers之Pipeline（三）：文本转音频（text-to-audio/text-to-speech）
【人工智能】Transformers之Pipeline（四）：零样本音频分类（zero-shot-audio-classification）
《Transformers-Pipeline 第二章：计算机视觉（CV）篇》
【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）
【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）
【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）
【人工智能】Transformers之Pipeline（八）：图生图（image-to-image）
【人工智能】Transformers之Pipeline（九）：物体检测（object-detection）
【人工智能】Transformers之Pipeline（十）：视频分类（video-classification）
【人工智能】Transformers之Pipeline（十一）：零样本图片分类（zero-shot-image-classification）
【人工智能】Transformers之Pipeline（十二）：零样本物体检测（zero-shot-object-detection）
《Transformers-Pipeline 第三章：自然语言处理（NLP）篇》
【人工智能】Transformers之Pipeline（十三）：填充蒙版（fill-mask）
【人工智能】Transformers之Pipeline（十四）：问答（question-answering）
【人工智能】Transformers之Pipeline（十五）：总结（summarization）
【人工智能】Transformers之Pipeline（十六）：表格问答（table-question-answering）
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
【人工智能】Transformers之Pipeline（十八）：文本生成（text-generation）
【人工智能】Transformers之Pipeline（十九）：文生文（text2text-generation）
【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）
【人工智能】Transformers之Pipeline（二十一）：翻译（translation）
【人工智能】Transformers之Pipeline（二十二）：零样本文本分类（zero-shot-classification）
《Transformers-Pipeline 第四章：多模态（Multimodal）篇》
【人工智能】Transformers之Pipeline（二十三）：文档问答（document-question-answering）
【人工智能】Transformers之Pipeline（二十四）：特征抽取（feature-extraction）
【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）
【人工智能】Transformers之Pipeline（二十六）：图片转文本（image-to-text）
【人工智能】Transformers之Pipeline（二十七）：掩码生成（mask-generation）
【人工智能】Transformers之Pipeline（二十八）：视觉问答（visual-question-answering）