#Hugging Face 简介

#Hugging Face 是什么？

Hugging Face 既是社区，也是一套开源栈。核心有两块：

• Hub：托管模型、数据集、Spaces（在线 Demo）的协作平台，公开检查点超过 100 万。
• Transformers：文本、视觉、音频、视频与多模态的模型定义框架，同时覆盖推理与训练。一份模型定义可对接 PyTorch 训练循环、Accelerate、vLLM / TGI 等推理引擎。

本课以 Transformers + Hub 为主，顺带介绍 datasets、evaluate、accelerate、peft。

#生态一览

┌─────────────────────────────────────────────────────────────┐
│                     Hugging Face 生态                        │
└─────────────────────────────────────────────────────────────┘
   Hub（模型 / 数据集 / Spaces / 模型卡）
           │  from_pretrained / push_to_hub
   ┌───────┴────────┐
   │  Transformers  │  模型定义 + Pipeline + Trainer + generate()
   └───────┬────────┘
     datasets   evaluate   accelerate   peft   huggingface_hub

#三个核心类

官方把检查点拆成三类对象，再用 AutoClass + from_pretrained 组装：

from transformers import AutoConfig, AutoTokenizer, AutoModelForCausalLM

name = "distilbert/distilgpt2"
config = AutoConfig.from_pretrained(name)
tokenizer = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(
    name, device_map="auto", dtype="auto"
)

device_map="auto" 把层分到可用 GPU/CPU；dtype="auto" 按检查点选择浮点类型。不必先会手写注意力才能用。

#三条官方主路径

#和从零训练、Ollama 的区别

本站 PyTorch 教程 教张量、nn.Module、手写训练循环——那是从零搭网络的基础。Transformers 则是：别人已经预训练好，你加载、推理或微调。两者互补：看不懂 loss.backward() 时先回 PyTorch；要用 Hub 上的 BERT / Qwen 时走本课。

选型： 只想对话 → Ollama；要微调、评测、发 Hub、接视觉/音频 → Transformers。

编码 Agent（Cursor、Claude Code 等）可以用 Hugging Face Skills 代跑 hf CLI 或 TRL 训练，那是辅助，不是本教程主线。

#适用场景

适合： 文本分类 / NER、生成与对话、ASR、图像分类、在 Hub 上复现论文检查点、LoRA 适配领域数据。

需谨慎： 无 GPU 时硬训 7B；未读模型卡就商用；门控权重（Llama 等）未点同意；把 Token 写进仓库。

国内读者可优先选 Qwen、DeepSeek 等中文友好、常为 ungated 的系列；本课生成示例以 distilgpt2 与 Qwen/Qwen2.5-0.5B-Instruct 为主。

#下一步

• 安装与环境
• 快速上手
• 本站 PyTorch 教程