1.4 Hugging Face Transformers庫：提供規范化接口

將新穎的機器學習架構應用于新任務可能是一項復雜的任務，通常涉及以下步驟：

1.將模型架構付諸代碼實現（通常基于PyTorch或TensorFlow）。

2.從服務器加載預訓練權重（如果有的話）。

3.預處理輸入并傳給模型，然后應用一些針對具體任務的后處理。

4.實現數據加載器并定義損失函數和優化器來訓練模型。

其中每個步驟都需要自定義每個模型和任務的邏輯。傳統上（但并非總是如此！），當研究小組發表一篇新文章時，他們也會發布代碼以及模型權重。但是這類代碼很少是規范化的，并且通常需要數天的改造才能適用于新的用例。

這就是Hugging Face Transformers庫拯救NLP從業者的地方！它為各種Transformer模型提供了規范化接口，從而令這些模型可以適用于新用例的代碼和工具。該庫目前支持三種主要的深度學習框架（PyTorch、TensorFlow和JAX），并能夠在它們之間輕松切換。此外，它還提供針對任務的頭，因此你可以輕松地微調下游任務（如文本分類、命名實體識別和問答）的Transformer模型。這點令訓練和測試模型所需的時間從一周減少到一個下午！

你將在1.5節親眼見證這一點，那里我們將展示通過Hugging Face Transformers庫只需幾行代碼就可以實現一些最常見的NLP應用程序。