Le Hub héberge poids, configuration, tokenizer et model card. Avant le code, vérifiez auteur, licence, tâche, langues, limites et éventuel code personnalisé.
Installer
~~~bash python -m venv .venv source .venv/bin/activate pip install -U transformers torch huggingface_hub safetensors ~~~
Charger à une révision fixe
~~~python from transformers import AutoTokenizer, AutoModelForSequenceClassification
model_id = 'distilbert-base-multilingual-cased' revision = 'main' # remplacez en production par un commit validé
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision) model = AutoModelForSequenceClassification.from_pretrained( model_id, revision=revision, use_safetensors=True, ) ~~~
Le nom de branche est pratique pour explorer ; un hash de commit rend le déploiement reproductible.
Faire une inférence
~~~python import torch
inputs = tokenizer('Exemple de texte', return_tensors='pt', truncation=True) with torch.inference_mode(): logits = model(**inputs).logits print(torch.softmax(logits, dim=-1)) ~~~
Interprétez les classes avec model.config.id2label. Ne supposez pas que l’indice zéro signifie toujours la même chose.
Modèle privé
Authentifiez-vous avec huggingface-cli ou un jeton à portée minimale dans l’environnement. Ne placez pas le token dans le notebook partagé.
Sécurité
Évitez trust_remote_code=True sans revue du dépôt et de la révision : cette option exécute du code fourni par le modèle. Préférez safetensors, analysez les fichiers et contrôlez les téléchargements dans votre chaîne CI.
Production
Préchargez le cache dans l’image ou un volume durable, testez hors réseau, conservez model card et licence, puis mesurez mémoire, latence et qualité. Un modèle retiré du Hub ne doit pas casser une production bien figée.
FAQ
Tokenizer et modèle peuvent-ils venir de dépôts différents ?
Seulement si leur compatibilité est établie. Par défaut, chargez-les depuis la même révision.
Que signifie gated ?
Vous devez accepter les conditions et utiliser un compte autorisé.