🤗 Hugging Face

是一家專注人工智慧與自然語言處理（NLP）公司，最著名產品是 Transformers 一個開源的機器學習框架，支援使用 BERT、GPT、T5 等各種大型語言模型（LLM）

🔧 Hugging Face主要產品與工具

📝Transformers庫

📌 功能

• 提供超過 100,000 個預訓練模型支援 NLP 任務（例如:翻譯、摘要、問答、生成）
• 相容 PyTorch、TensorFlow、JAX 三大框架
• 內建熱門模型：
  • BERT（Bidirectional Encoder Representations from Transformers）
  • GPT-2 / GPT-3 / GPT-4
  • T5（Text-to-Text Transfer Transformer）
  • BLOOM（開源 GPT 類似模型）
  • LLaMA（Meta 開發的語言模型）

🔹 安裝

pip install transformers

🔹 使用範例（GPT-2 生成文本）

from transformers import pipeline
generator = pipeline("text-generation", model="gpt2")
print(generator("Once upon a time", max_length=50))

📚Datasets庫

📌 功能

提供數千個開源資料集，支援 NLP、CV、語音處理並可直接加載並用於模型訓練

🔹 安裝

pip install datasets

🔹 使用範例（載入 IMDb 電影評論數據集）

from datasets import load_dataset
dataset = load_dataset("imdb")
print(dataset["train"][0])

🌍Model Hub

📌 功能

全球最大開源AI模型平台搜尋並下載各類LLM

• bert-base-uncased
• gpt-neo-2.7B
• bigscience/bloom
• meta-llama/Llama-2-7b

🔹 使用範例（下載模型）

from transformers import AutoModel
model = AutoModel.from_pretrained("bert-base-uncased")

🖥️ Spaces（AI應用託管平台）

• 免費部署AI應用（支援Streamlit、Gradio、Flask等等）
• 快速建立互動式 Web Demo，提供他人體驗
• 許多開源專案已部署在 Hugging Face Spaces

⏰ Hub API（雲端推理 API）

提供雲端推論 API，無需本地執行模型，適合快速構建應用，尤其在資源受限環境下

🔹 使用範例（情感分析）

from transformers import pipeline
classifier = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
print(classifier("I love Hugging Face!"))

🌐 Hugging Face 在 LLM 領域的影響

• 開源革命：推動 LLM 民主化，讓每個人都能接觸最先進的 AI 模型
• 企業應用廣泛：Microsoft、Meta 等科技巨頭皆採用其工具
• 責任性AI：推動檢測與降低模型偏見與幻覺的工具（例如:transformers-interpret）

👥 Hugging Face 適合誰？

✅ 研究人員 測試、微調與比較各種 NLP/LLM 模型
✅ 開發者 快速構建 NLP 應用（如聊天機器人、分析工具）
✅ 企業 部署 AI 解決方案，提高自動化與效率

圖片理解 (使用 transformers)

transformers 函式庫提供了一個非常方便的高階 API 叫做 pipeline，它可以讓我們用幾行程式碼就完成一個完整的 AI 推理流程（從前處理到模型預測再到後處理）

安裝必要的函式庫
首先，已安裝 transformers、PyTorch (或 TensorFlow/JAX) 以及 Pillow (用於圖片處理)

pip install transformers torch pillow

📧 圖片分類 (Image Classification)

這是最常見的電腦視覺任務：判斷一張圖片屬於哪個類別

任務情境：我們有一張貓的圖片，想讓 AI 告訴我們這是一隻什麼品種的貓

# 匯入必要的函式庫
from transformers import pipeline
from PIL import Image
import requests # 用來從網路下載圖片

# 步驟 1: 初始化圖片分類的 pipeline
# 'image-classification' 是任務名稱。Hugging Face 會自動下載預設的模型。
# 這裡會使用 'google/vit-base-patch16-224'，一個強大的 Vision Transformer 模型。
classifier = pipeline("image-classification")

# 步驟 2: 準備圖片
# 我們從網路上找一張貓的圖片 URL
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
# 使用 requests 下載圖片內容，並用 PIL.Image 開啟
image = Image.open(requests.get(url, stream=True).raw)

# 顯示圖片 (在 Jupyter Notebook 或類似環境中)
# image.show() # 如果在本機端執行，會開啟圖片瀏覽器

# 步驟 3: 進行分類預測
# 直接將圖片物件傳遞給 classifier
results = classifier(image)

# 步驟 4: 輸出結果
# 結果會是一個列表，包含多個可能的類別及其信心分數
print("圖片分類結果:")
for result in results:
    # 'score' 是信心度，'label' 是預測的標籤
    print(f"標籤: {result['label']}, 信心度: {result['score']:.4f}")

程式碼解說：

pipeline("image-classification") 會自動處理所有繁瑣的步驟：圖片的尺寸調整、正規化、轉換為模型需要Tensor格式等等只需要提供一個 PIL.Image 物件，pipeline 就會回傳一個包含預測標籤 (label) 和信心度 (score) 的 Python 字典列表。輸出可能會包含 "Egyptian cat"、"tabby, tabby cat" 等，展示了模型對貓品種的精確識別能力

📕 物件偵測 (Object Detection)

這個任務不只要分類，還要找出圖片中所有物件的位置（以邊界框 Bounding Box 表示）

任務情境： 辨識出前一張圖片中的所有貓和遙控器，並框出它們的位置

# 匯入必要的函式庫
from transformers import pipeline
from PIL import Image, ImageDraw, ImageFont
import requests

# 步驟 1: 初始化物件偵測的 pipeline
# 預設會使用 'facebook/detr-resnet-50' 模型
object_detector = pipeline("object-detection")

# 步驟 2: 準備圖片 (使用同一張貓的圖片)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# 步驟 3: 進行物件偵測
results = object_detector(image)

# 步驟 4: 處理並視覺化結果
print("物件偵測結果:")
draw = ImageDraw.Draw(image) # 建立一個可以在圖片上繪圖的物件

for detection in results:
    label = detection["label"]
    score = detection["score"]
    box = detection["box"]
    
    print(f"偵測到物件: {label}, 信心度: {score:.4f}, 位置: {box}")
    
    # 在圖片上畫出邊界框
    # box 格式為 {'xmin': x, 'ymin': y, 'xmax': x, 'ymax': y}
    rect = [box['xmin'], box['ymin'], box['xmax'], box['ymax']]
    draw.rectangle(rect, outline="red", width=3)
    
    # 在框的上方寫上標籤和信心度
    text = f"{label} ({score:.2f})"
    draw.text((box['xmin'], box['ymin'] - 10), text, fill="red")

# 顯示標記後的圖片
# image.show()
# 若在 Jupyter Notebook 中，可以直接顯示 image
image 

程式碼解說

pipeline("object-detection") 使用的是 DETR (DEtection TRansformer) 模型，它能直接預測出一組物件的類別和邊界框，回傳的結果中，box 字典詳細定義了每個偵測到物件的左上角和右下角座標，我們使用 PIL 的 ImageDraw 模組，將這些邊界框和標籤直接畫在原始圖片上，實現結果的視覺化

📗 圖片生成 (使用 diffusers)

diffusers 是 Hugging Face 專為擴散模型（Stable Diffusion）打造的函式庫，讓「以文生圖」變得極為簡單

安裝必要的函式庫
diffusers 需要額外安裝。為了獲得更好的效能，建議在有 NVIDIA GPU 的環境下執行，並安裝 accelerate

pip install diffusers transformers accelerate torch

📃 以文生圖 (Text-to-Image)

任務情境： 我們想生成一張「一隻太空貓在畢卡索風格的畫布上」的圖片

# 匯入必要的函式庫
import torch
from diffusers import DiffusionPipeline

# 步驟 1: 載入預訓練的擴散模型 pipeline
# 'runwayml/stable-diffusion-v1-5' 是一個經典且高效的 Stable Diffusion 模型
# torch_dtype=torch.float16 是為了在使用 GPU 時節省記憶體並加速，如果沒有 GPU 則不需要此參數
# use_safetensors=True 是為了更安全地載入模型權重
pipe = DiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5", 
    torch_dtype=torch.float16,
    use_safetensors=True
)

# 步驟 2: 將 pipeline 移至 GPU (如果可用)
# 這是發揮模型效能的關鍵步驟
if torch.cuda.is_available():
    pipe = pipe.to("cuda")
else:
    print("未偵測到 CUDA GPU，將使用 CPU 進行計算 (速度會非常慢)。")

# 步驟 3: 定義你的「咒語」(Prompt)
# Prompt 的描述越詳細、越生動，生成的圖片品質通常越好
prompt = "An image of a squirrel in Picasso style" # 官方範例：畢卡索風格的松鼠
# 我們改成中文使用者更感興趣的 prompt
prompt_zh = "一隻穿著太空衣的可愛貓咪，坐在月球上，望著地球，數位藝術風格"

# 注意: 大部分開源模型對英文 Prompt 的理解比中文好。
# 如果想用中文，最好先翻譯成英文。這裡我們直接用英文 prompt 進行示範。
prompt_en = "A cute cat in an astronaut suit, sitting on the moon and looking at the earth, digital art style"

# 步驟 4: 生成圖片
# 傳入 prompt，函式庫會執行去噪過程並生成圖片
# 為了讓每次生成的結果可重現，我們可以設定一個隨機種子 (generator)
generator = torch.Generator("cuda").manual_seed(0) if torch.cuda.is_available() else None
image = pipe(prompt_en, generator=generator).images[0]

# 步驟 5: 顯示或儲存圖片
print("圖片生成成功！")
# image.show() # 在本機顯示圖片
# image.save("astronaut_cat.png") # 儲存圖片

# 在 Jupyter Notebook 中可以直接顯示
image

程式碼解說：

DiffusionPipeline.from_pretrained(...) 會從 Hugging Face Hub 下載指定的 Stable Diffusion 模型所需的所有元件（U-Net、VAE、Tokenizer 等）.to("cuda") 是 PyTorch 的標準做法，將模型和計算轉移到 GPU 上，這對圖片生成任務至關重要，否則在 CPU 上可能需要數十分鐘甚至更久。核心就是 pipe(prompt) 這一行，它封裝了極其複雜的擴散模型推理過程。images[0] 是因為 pipe 可能一次生成多張圖片，我們取第一張。generator 的使用是個好習慣，它能確保你在使用相同參數時，每次都能得到完全一樣的生成結果，方便除錯和比較。

🧾 結論

Hugging Face 是 NLP 和 LLM 領域的核心平台，無論是模型訓練、應用開發還是部署上線，都能透過其工具快速實現