• Huggingface Transformer는 모델을 쉽고 빠르게 생성하고, 학습하고, 배포하기 위해 만들어진 Highlevel Library입니다
• NLP 모델을 쉽고 빠르게 학습할 수 있으며, 다양한 pipeline 및 정형화된 코드를 제공합니다
• Transformers는 Transformer기반의 모델을 쉽고 빠르게 사용할 수 있도록 다양한 기능을 제공합니다

2) NLP Modeling with transformers

• NLP 모델은 아래와 같은 Pipeline으로 구성됩니다

  Input -> Tokenization -> Model training/Inference -> Post-Processing (task dependent) -> Output

• 이러한 pipeline을 모두 scratch부터 구현해보는것은 매우 의미있는 작업입니다

• 하지만 task에 알맞는 모델을 빠르게 구현하기 위해서는 반복적인 작업을 정형화 할 필요성이 있습니다

• transformers를 사용함으로서 반복되던 작업을 간편하게 수행할 수 있고, 모델 개발에 초점을 맞추어 개발 및 연구를 진행할 수 있게됩니다.

3) etc.

• 아래의 링크에서 더 자세하고 꼼꼼한 공식 튜토리얼을 공부할 수 있습니다.

  https://huggingface.co/transformers/notebooks.html

• 아래의 링크에서 huggingface에서 제공하는 라이브러리에 대한 discussion을 살펴볼 수 있습니다.

  https://discuss.huggingface.co/

📂 tutorial

huggingface는 자체적으로 상세한 document를 제공하며, 관련 notebook과 course를 제공합니다. 하지만 보다 쉽게 transformers 를 빠르게 훑어볼 수 있는 내용으로 구성하였으며, 모델링 과정에서 알게된 주의사항을 함께 기술하였습니다.

01 Basic tutorial

1. Tokenizer 불러오기
2. Config 불러오기
3. Pretrained model 불러오기
4. Huggingface Trainer 사용하기

02 Advanced tutorial

1. Token 추가하기
   • special token 추가하기
   • 일반 token 추가하기
2. [CLS] output 추출하기
   • 참고 : [CLS] 토큰은 정말 문장을 대표할까 ?

📂 note

transformers를 활용하여 모델링을 진행하다 알게된 작고 소중한 메모들을 정리하였습니다.

01 Checkpoint loading

• checkpoint loading시 주의할점

  • model state_dict일부만 loading하기

02 Tokenizer

• Tokenizer 사용시 고려하면 좋을 몇가지 포인트
  • tokenizer.encode와 tokenizer.convert_tokens_to_ids

📂 modeling

transformers를 활용하여 간단한 nlp 모델을 구현합니다.

01 Named Entity Recognition

• Trainer 사용, config 수정, 함수 분리
• datasets의 CoNLL-2003 사용하여 모델링
• eval_f1: 0.93, eval_acc: 0.98