Com a alta da inteligência artificial, você não pode ficar para trás, certo? Então eu vou te apresentar o Hugging Face, que reúne diversas soluções de IAs para você usar nos seus projetos!
Se quiser pode acompanhar esse conteúdo em formato de vídeo ou pode acessar o nosso Canal do YouTube para mais vídeos!
Não vamos te encaminhar nenhum tipo de SPAM! A Hashtag Treinamentos é uma empresa preocupada com a proteção de seus dados e realiza o tratamento de acordo com a Lei Geral de Proteção de Dados (Lei n. 13.709/18). Qualquer dúvida, nos contate.
O que você vai ver hoje?
O que é o Hugging Face?
O Hugging Face é uma plataforma colaborativa que reúne a comunidade de machine learning (ML) em torno de modelos, datasets e aplicações.
Imagine um espaço onde profissionais, pesquisadores e entusiastas de ML compartilham e acessam recursos para impulsionar seus projetos.
O que o Hugging Face oferece?
Ao acessar o site, você encontrará um ecossistema vasto e diversificado:
- Mais de 400.000 modelos pré-treinados, prontos para serem utilizados ou adaptados.
- Mais de 150.000 aplicações (ou “Spaces”), que permitem testar e implementar soluções de ML de forma prática.
- Mais de 100.000 datasets, oferecendo dados para treinamento e validação de modelos.
O Hugging Face é organizado em três grandes divisões:
Models: Onde você encontra modelos de machine learning para diversas tarefas, como processamento de linguagem natural (NLP), visão computacional e muito mais.
Spaces: Um ambiente para criar, compartilhar e testar aplicações de ML de forma interativa.
Datasets: Um repositório de conjuntos de dados para treinar e validar seus modelos.
Modelos no Hugging Face – Stability AI
Ao clicar na parte de modelos você já vai se deparar com diversos modelos de inteligência artificial, então você tem uma variedade bem grande para escolher!
O modelo que nós vamos utilizar para este exemplo inicial está em Computer Vision, é o modelo Text-to-image, ou seja, é um modelo onde vamos passar um texto para a inteligência artificial e ela vai criar uma imagem em cima disso.
Mas também é possível usar modelos de chat para fazer chatbots, por exemplo. Para fazer isso, a ideia é baixar uma biblioteca Python que vai trazer esse modelo para seu projeto.
E sobre os geradores de imagens, basicamente o Hugging Face oferece os mesmos modelos utilizados nos geradores de imagens mais conhecidos, só que aqui você vai aplicar isso dentro do seu código em Python!
Já imaginou todas as possibilidades quue você tem com essas ferramentas?
Clicando na opção de text-to-image, você já vai visualizar os modelos disponíveis. Para o nosso exemplo, vamos utilizar o Stabilityai/stable-diffusion-2-1, porque não vamos precisar de chave de API e você vai conseguir rodar normalmente isso dentro do Google Colab!
Dentro da documentação do modelo que vamos usar ele explica todo o passo a passo que precisa ser feito, mas para facilitar, vou deixar o código inicial, pois precisamos fazer essa instalação:
!pip install diffusers transformers accelerate scipy safetensors xformers
Como vamos rodar isso dentro do Google Colab, você vai colocar uma exclamação (!) antes do código e vai rodar, dessa forma vai conseguir fazer a instalação direta, pois aqui não temos o terminal.
Outro ponto importante é que, para usar esse modelo, nós vamos precisar de uma GPU, então vamos até a opção Ambiente de execução, dentro do Google Colab e selecionar a opção Alterar o tipo de ambiente de execução.
Na próxima janela, vamos selecionar a opção T4 GPU para utilizar a GPU para rodar o nosso projeto! É possível que apareça uma mensagem, mas basta prosseguir, pois ele avisa que precisa reiniciar o projeto.
Código em Python Usando o Modelo de IA
Pronto! Agora estamos prontos para iniciar o projeto com a inteligência artificial do Hugging Face. Vamos utilizar o código que está na documentação do modelo. Então basta copiar e colar dentro do Google Colab.
import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler
model_id = "stabilityai/stable-diffusion-2-1"
# Use the DPMSolverMultistepScheduler (DPM-Solver++) scheduler here instead
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe = pipe.to("cuda")
prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]
image.save("astronaut_rides_horse.png")Esse é o código da documentação, só que como estamos dentro do Google Colab, vamos remover a última linha de código, pois não vamos salvar a imagem e vamos adicionar mais um pequeno bloco de código só para poder visualizar essa imagem que foi criada!
import matplotlib.pyplot as plt plt.imshow(image) plt.show()
Pronto! Agora basta rodar o código para ver o resultado! Aqui é importante lembrar que dentro da variável prompt é o texto que essa inteligência artificial vai utilizar para gerar a sua imagem.
Nesse caso o texto utilizado é “a photo of an astronaut riding a horse on mars”, que significa, ” a foto de um astronauta andando de cavalo em marte”.
Você pode alterar para o texto que deseja criar a sua imagem. Se tiver alguma dificuldade com inglês pode colocar em um tradutor e depois passar para o seu código sem problema algum!
Esse é o nosso astronauta andando à cavalo em Marte! Agora você pode explorar tanto os outros modelos do Hugging Face quanto as outras funcionalidades desse modelo que utilizamos como exemplo.
O que são os Spaces no Hugging Face?
Se preferir, veja nosso vídeo onde falamos mais sobre o tema de Spaces no Hugging Face.
Os Spaces no Hugging Face são ambientes interativos onde você pode criar, compartilhar e testar aplicações de machine learning de forma prática e acessível.
Eles funcionam como uma vitrine para demonstrações de modelos, permitindo que você visualize e interaja com soluções de ML diretamente no navegador, sem a necessidade de configurar ambientes complexos ou escrever código do zero.
Para que servem os Spaces?
- Demonstração de modelos: Você pode criar aplicações que mostram como um modelo de machine learning funciona na prática. Por exemplo, um Space pode permitir que os usuários insiram um texto e vejam, em tempo real, como um modelo de processamento de linguagem natural (NLP) faz a análise de sentimentos ou a tradução automática.
- Colaboração e compartilhamento: Os Spaces são ideais para compartilhar suas criações com a comunidade. Seja um projeto pessoal, uma solução empresarial ou uma pesquisa acadêmica, você pode publicá-lo e permitir que outras pessoas testem e forneçam feedback.
- Prototipagem rápida: Com ferramentas integradas, como Gradio e Streamlit, você pode criar interfaces amigáveis para seus modelos em poucos minutos, acelerando o processo de desenvolvimento e teste.
Como funcionam os Spaces?
- Criação: Você pode criar um Space escolhendo uma das ferramentas disponíveis, como Gradio ou Streamlit, e configurando uma interface para interagir com seu modelo.
- Publicação: Após criar o Space, ele fica disponível publicamente (ou privado, se preferir) para que outros usuários possam acessar e interagir.
- Interação: Os usuários podem testar o modelo diretamente no navegador, inserindo dados e visualizando os resultados em tempo real.
Exemplos de Spaces
- Tradução automática: Um Space que permite traduzir textos entre vários idiomas usando modelos de NLP.
- Geração de imagens: Como vimos no início do artigo, o Hugging Face oferece muitas ferramentas de geração de imagens.. Há um Space que cria imagens a partir de descrições textuais, utilizando modelos de geração de imagens como o DALL-E.
- Análise de sentimentos: Um Space que analisa o sentimento de um texto, classificando-o como positivo, negativo ou neutro.
Por que usar os Spaces?
- Acessibilidade: Qualquer pessoa pode acessar e interagir com os Spaces, sem precisar de conhecimentos técnicos avançados.
- Colaboração: Eles incentivam a troca de ideias e soluções dentro da comunidade de machine learning.
- Versatilidade: Você pode criar Spaces para diversas finalidades, desde projetos simples até soluções complexas e inovadoras.
Exemplos Práticos de Aplicações com IA para Textos no Hugging Face
Se quiser pode acompanhar esse conteúdo em formato de vídeo ou acessar o nosso Canal do YouTube para mais vídeos!
Não vamos te encaminhar nenhum tipo de SPAM! A Hashtag Treinamentos é uma empresa preocupada com a proteção de seus dados e realiza o tratamento de acordo com a Lei Geral de Proteção de Dados (Lei n. 13.709/18). Qualquer dúvida, nos contate.
Nos capítulos anteriores, exploramos uma introdução ao Hugging Face, um exemplo prático para geração de imagens e como utilizar os Spaces para criar e compartilhar aplicações de IA.
Agora é hora de colocar a mão na massa e ver como podemos usar os modelos de IA disponíveis no Hugging Face para criar soluções incríveis utilizando dados de texto.
Neste aula, vamos apresentar exemplos práticos de sumarização e geração de texto, mostrando um pouco mais do poder e a praticidade do Hugging Face!
Neste capítulo, vamos explorar mais dois exemplos práticos:
- Sumarização de Texto: Como resumir textos automaticamente.
- Geração de Texto: Como criar textos com modelos como o LLaMA.
Sumarização de Texto com o Modelo BART
A primeira aplicação que vamos explorar é a sumarização de texto. Imagine que você tem um texto longo e deseja extrair apenas as informações mais importantes. Com o Hugging Face, isso é possível em poucas linhas de código.
Passo a Passo:
- Escolha do Modelo: Utilizamos o modelo BART do Facebook, que é especializado em sumarização.
- Instalação das Bibliotecas: Instalamos as bibliotecas Transformers e Diffusers para acessar os modelos.
- Criação do Pipeline: Criamos um pipeline de sumarização e passamos o texto que desejamos resumir.
- Resultado: O modelo retorna um resumo conciso do texto original. Também utilizamos parâmetros de tamanho para o texto gerado não ficar muito grande nem muito pequeno.
from transformers import pipeline
pipe = pipeline("summarization", model="facebook/bart-large-cnn")
prompt = "Texto longo que você deseja resumir..."
resultado = pipe(prompt, max_length=130, min_length=30)
print(resultado)Dica Prática:
- Se você não tem um computador potente, pode usar a API do Hugging Face para rodar os modelos diretamente nos servidores deles, sem sobrecarregar sua máquina.
Geração de Texto com o Modelo LLaMA
Agora, vamos para a geração de texto. Imagine pedir para uma IA escrever um texto sobre um tema específico. Com o Hugging Face, isso é possível usando modelos como o LLaMA, desenvolvido pela Meta.
Passo a Passo:
- Escolha do Modelo: Utilizamos uma versão mais leve do LLaMA, chamada Light LLaMA, para facilitar o processamento.
- Criação do Pipeline: Criamos um pipeline de geração de texto e passamos um prompt (pergunta ou instrução).
- Resultado: O modelo gera um texto com base no prompt fornecido.
from transformers import pipeline
gerador = pipeline("text-generation", model="ahxt/LiteLlama-460M-1T", device="cuda")
prompt = "O que é Python?"
resultado = pipe(prompt, max_length=200)
print(resultado)Output: Python é uma linguagem de programação de alto nível, interpretada, de propósito geral e com sintaxe clara, amplamente usada para desenvolvimento web, automação, análise de dados e IA.
Dica Prática:
- Modelos maiores, como o LLaMA original, podem exigir mais recursos. Se seu computador não for potente, opte por versões mais leves ou use a API do Hugging Face.
O que vimos nesta aula?
Nesta última parte, vimos como o Hugging Face facilita a integração de modelos de IA em projetos reais. Com poucas linhas de código, você pode resumir textos e gerar conteúdos textuais. A padronização oferecida pelas bibliotecas Transformers e torna o processo acessível, mesmo para quem está começando.
Conclusão
Neste artigo, exploramos uma introdução ao Hugging Face, destacando modelos de geração de imagens, a funcionalidade dos Spaces e dois exemplos práticos com dados textuais: sumarização e geração de texto usando transformers.
O Hugging Face oferece um ecossistema vasto de modelos e datasets, permitindo integrar IA em projetos Python de forma eficiente. Vale lembrar que alguns modelos exigem chave de API ou maior poder de processamento, como GPUs.
Para projetos robustos, ferramentas como o Google Colab são úteis, mas alternativas pagas podem ser necessárias.
Hashtag Treinamentos
Para acessar outras publicações de Python, clique aqui!
Posts mais recentes de Python
- Automação Whatsapp Web com com Python: Guia Completo para Enviar Mensagens com PyWhatKit
Você já imaginou programar o envio de mensagens com uma automação WhatsApp Web com poucas linhas de código? - Como Gerar Relatórios em PDF com Python (Passo a Passo) Neste tutorial, você vai aprender a transformar dados de uma planilha do Excel em PDFs personalizados usando Python!
- API no Python – O que é e Como Criar Sua Própria API?
Nessa aula vamos te mostrar o o que é uma API no Python e como você pode criar sua própria API para seus projetos!
Posts mais recentes da Hashtag Treinamentos
- Funções do Copilot no Excel que vão TRANSFORMAR seu Trabalho Você sabia que o Copilot no Excel faz muito mais do que tirar dúvidas? Essa IA pode criar fórmulas, formatar dados e até gerar gráficos por você.
- 30 Frases de Small Talk em Inglês: Tenha Conversas Naturais em Inglês Domine o Small Talk em Inglês com 30 frases práticas para conversas rápidas. Aprenda a pronúncia, os usos e dicas para falar com mais naturalidade.
- Fórmula CALCULATE no Power BI [+Erro Comum e Como Evitar] Nessa aula vamos te mostrar como utilizar a fórmula CALCULATE no Power BI para que possa fazer seus cálculos com filtros específicos!
Redator de conteúdo na Hashtag Treinamentos. Produzo textos didáticos sobre tecnologia, buscando informar e engajar o público de forma acessível e descomplicada.