恭喜你！經過前幾次努力在資料預處理、模型訓練和超參數調校之後，我們已經成功建立了一個 BERT 中文文本分類模型。下一步就是將它部署出去，讓其他人能夠輕鬆使用。而 Hugging Face Hub 提供了最簡單、最有效的方式來分享和託管你的模型。

本篇文章將會逐步說明如何將你的模型部署到 Hugging Face Hub，並說明每個步驟的意義。

Step 1：準備你的 Hugging Face 環境

在部署之前，你必須先讓你的程式能夠與 Hugging Face Hub 進行連線。

• 安裝必要的函式庫：你需要安裝 huggingface_hub。如果尚未安裝，請執行以下命令：pip install huggingface_hub。

• 登入你的帳號：程式碼中的第一步就是登入。login() 函數需要你的 Hugging Face 權杖（token），這個權杖相當於你的登入密碼，用於驗證你的身份並授予上傳權限。

from huggingface_hub import HfApi, login

# 使用你的 Hugging Face Token 進行登入
login(token="YOUR_HUGGING_FACE_TOKEN")

注意： 為了安全起見，請將你的權杖視為敏感資訊，不要公開在程式碼中。

Step 2：設定模型倉庫與輸出目錄

在 Hugging Face Hub 上，每個模型都儲存在一個「倉庫」（repository）中，就像是 GitHub 上的程式碼倉庫一樣。

• 設定倉庫名稱：程式碼中定義了 repo_name 和 your_username 來組合出一個唯一的倉庫 ID (repo_id)，格式為 <你的用戶名>/<倉庫名稱>。這確保你的模型有專屬的空間。

• 確認模型路徑：output_dir 變數指向你的訓練模型儲存的本地目錄。程式碼中的 assert 語句會檢查這個目錄是否存在，以及其中是否包含模型權重文件（如 pytorch_model.bin 或 model.safetensors），這是模型上傳的必要條件。

Step 3：撰寫模型說明文件（README.md）

一個好的模型應該要配備清晰的說明文件，讓使用者了解它的功能、用途和限制。

• 生成 README.md：程式碼中的這段邏輯會自動在你的模型目錄中創建一個 README.md 文件。這個文件使用了特殊的 YAML 標頭 (---) 來設定模型的語言、授權、標籤等元資料。這些標籤將會顯示在 Hugging Face 網頁上，幫助使用者更快地找到你的模型。
• 提供模型資訊：在 YAML 標頭下方，你可以用 Markdown 語法詳細描述模型的用途、類別標籤和訓練方式，這對於任何潛在的使用者來說都極具價值。

Step 4：創建與上傳模型倉庫

這是部署的最後一步，程式碼將執行核心的部署操作。

• 創建倉庫：api.create_repo() 函數會在你的帳戶下創建一個新的倉庫。如果倉庫已經存在，exist_ok=True 參數會避免程式報錯，讓你可以直接上傳。程式碼也設計了錯誤處理機制，如果創建失敗，會嘗試一個替代的倉庫名稱。
• 上傳文件：api.upload_folder() 函數會將你的本地模型目錄 output_dir 中的所有文件，包括模型權重、tokenizer 設定和 README.md，一次性全部上傳到指定的倉庫。

# 核心上傳程式碼
api.upload_folder(
    folder_path=output_dir,
    repo_id=repo_id,
    repo_type="model",
)

上傳成功後，你就可以在你的 Hugging Face 個人主頁上找到這個新的模型。網頁上會顯示你所設定的標籤和說明文件，使用者可以直接在線上試用你的模型，或是透過程式碼輕鬆載入並使用它。

透過這些步驟，我們將模型從本地部署到雲端，更是將你的研究成果貢獻到一個全球化的 AI 社群中，讓你的模型發揮更大的價值。

Step 5：部署之後可以測試一下模型是否可以標註

from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline

# 直接使用模型和分詞器
model_name = "jackietung/bert-base-chinese-classification-pchome"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 測試文本
test_texts = [
    "這個 App 的登入系統太複雜了，每次都要重新輸入密碼，能不能增加指紋登入功能？",
    "App 的搜尋功能太爛了，輸入關鍵字後常常顯示不相關的結果，希望能改進搜尋演算法。",
    "最新上架的商品圖片解析度太低，而且商品描述不夠詳細，很難做出購買決定。",
    "結帳流程太繁瑣，為什麼要填寫這麼多資料？而且付款完成後沒有明確的訂單確認頁面。",
    "客服回應速度太慢，我的問題提交三天了還沒有人回覆，這樣的服務品質令人失望。",
    "App 最近更新後經常閃退，而且耗電量增加了很多，希望開發團隊能盡快修復這些問題。"
]

# 使用 pipeline 進行預測
for text in test_texts:
    print(f"文本: {text}")
    print(f"預測結果: {result}")
    print("-" * 30)