Fähigkeiten transformers
🤖

transformers

Sicher ⚙️ Externe Befehle⚡ Enthält Skripte🌐 Netzwerkzugriff

Déployer des modèles IA avec Hugging Face Transformers

Auch verfügbar von: davila7

Arrêtez de vous débattre avec la configuration complexe des modèles ML. Cette compétence vous donne un accès instantané à des milliers de modèles pré-entraînés pour les tâches de texte, d'image et d'audio via des commandes simples.

Unterstützt: Claude Codex Code(CC)
📊 71 Angemessen
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "transformers". Générer un script Python qui charge GPT-2 et écrit une courte histoire sur l'exploration spatiale

Erwartetes Ergebnis:

  • Modèle GPT-2 chargé depuis Hugging Face
  • Histoire de 150 mots générée sur la mission martienne
  • Histoire sauvegardée dans 'space_story.txt'
  • Aperçu de l'histoire : 'La poussière rouge de Mars tourbillonnait autour de l'habitat alors que le Commandant Chen se préparait pour la plus importante sortie spatiale de l'histoire humaine...'

Verwendung von "transformers". Classifier ces images comme chat ou chien

Erwartetes Ergebnis:

  • Modèle de vision transformer chargé
  • 5 images de test analysées
  • Résultats : 3 chats (60%), 2 chiens (40%)
  • Plus haute confiance : image3.jpg (97% chat)

Verwendung von "transformers". Résumer ce paragraphe d'article de recherche

Erwartetes Ergebnis:

  • Pipeline de résumé chargé avec facebook/bart-large
  • Résumé de 3 phrases généré
  • Points clés préservés : méthodologie, résultats, conclusions

Sicherheitsaudit

Sicher
v4 • 1/17/2026

All 412 static findings are false positives. The skill contains markdown documentation with Python code examples for Hugging Face Transformers library usage. Bash command patterns in documentation (pip install examples), URL references, and technical terminology triggered the analyzer incorrectly. No executable code, network requests, or security vulnerabilities present.

7
Gescannte Dateien
2,527
Analysierte Zeilen
3
befunde
4
Gesamtzahl Audits

Risikofaktoren

⚙️ Externe Befehle (5)
SKILL.md:20-32 references/generation.md:5-25 references/models.md:13-15 references/pipelines.md:11-20 references/training.md:11-34
⚡ Enthält Skripte (1)
references/models.md:210-220
🌐 Netzwerkzugriff (2)
SKILL.md:48 references/pipelines.md:295-300
Auditiert von: claude Audit-Verlauf anzeigen →

Qualitätsbewertung

45
Architektur
100
Wartbarkeit
85
Inhalt
20
Community
100
Sicherheit
91
Spezifikationskonformität

Was du bauen kannst

Prototyper rapidement des modèles NLP

Tester différents modèles transformers pour la classification de texte sans écrire de code récurrent

Comparer les performances des modèles

Évaluer plusieurs modèles pré-entraînés sur votre ensemble de données pour trouver le meilleur performer

Ajouter de l'IA aux applications

Intégrer la génération de texte ou la classification d'image dans votre application avec un minimum de configuration

Probiere diese Prompts

Génération de texte de base 
Charger le modèle GPT-2 et générer 3 variations de : 'L'avenir de l'IA est'
Analyse de sentiment 
Créer un pipeline pour analyser le sentiment de ces avis : ['Excellent produit !', 'Mauvaise expérience', 'Qualité moyenne']
Comparaison de modèles 
Comparer BERT, RoBERTa et DistilBERT sur la précision de classification de texte en utilisant mon ensemble de données
Fine-tuning personnalisé 
Fine-tuner BERT sur mon fichier CSV avec les colonnes 'text' et 'label' pendant 3 époques

Bewährte Verfahren

  • Utiliser l'API pipeline pour les tâches rapides, les modèles personnalisés pour un contrôle fin
  • Vérifier la carte du modèle pour les restrictions d'utilisation et les biais avant le déploiement
  • Commencer avec des modèles plus petits pour les tests, augmenter l'échelle pour la production

Vermeiden

  • Ne pas fine-tuner sur des données sensibles sans vérifier la licence du modèle
  • Éviter de charger des modèles massifs sur des systèmes CPU uniquement
  • Ne jamais déployer de modèles sans tester les sorties pour votre cas d'utilisation

Häufig gestellte Fragen

Ai-je besoin d'un GPU ?
Non requis mais recommandé. Les petits modèles fonctionnent sur CPU, les grands modèles ont besoin de GPU pour une vitesse raisonnable.
Les modèles sont-ils gratuits ?
La plupart sont gratuites pour la recherche et l'usage commercial. Vérifiez la licence de chaque modèle sur sa page Hugging Face.
Comment gérer les limites de débit ?
Télécharger les modèles localement la première fois, puis charger depuis le cache. Utiliser le mode hors ligne pour la confidentialité.
Puis-je utiliser des ensembles de données personnalisés ?
Oui, la compétence supporte le fine-tuning sur CSV, JSON et autres formats via l'API Trainer.
Quel modèle dois-je choisir ?
Commencez avec des modèles établis comme BERT pour NLP, ViT pour la vision. Vérifiez les classements pour les modèles les plus récents.
Comment améliorer la qualité de génération ?
Ajuster la température entre 0,1 et 1,0, utiliser l'échantillonnage top-k ou top-p, et fournir des instructions claires et spécifiques.

Entwicklerdetails

Lizenz

Apache-2.0 license

Repository

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/transformers

Ref

main

Dateistruktur

📁 references/

📄 generation.md

📄 models.md

📄 pipelines.md

📄 tokenizers.md

📄 training.md

📄 SKILL.md