Hugging Face Transformers — pretrained models for text, vision and audio
Une référence d'agent scientifique pour la librairie Transformers — pipelines, classes Auto, tokenisation, Trainer, fine-tuning PEFT, placement sur device, cache de modèles, et règles critiques sur PyTorch, TensorFlow et JAX
- Quoi
- Une référence d'agent scientifique pour la librairie Transformers — pipelines, classes Auto, tokenisation, Trainer, fine-tuning PEFT, placement sur device, cache de modèles, et règles critiques sur PyTorch, TensorFlow et JAX
- Coût
- Gratuit
- Prérequis
- Python 3.9+ avec un backend (PyTorch ou JAX recommandé) ; espace disque et mémoire GPU pour les modèles prévus ; les poids viennent de huggingface.co sous leurs propres licences
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill transformers de @tondevrel, listé ici avec crédit à son créateur : une référence d'agent scientifique pour la librairie Hugging Face Transformers — le standard industriel des modèles pré-entraînés pour le texte, la vision et l'audio — couvrant les principes de base (classes Auto qui infèrent l'architecture depuis le nom du modèle, tokenisation avec padding/troncation, pipelines en un seul appel), l'aide-mémoire (installation, imports standard, le pattern de base pipeline pré-entraîné), les règles critiques à faire/à éviter (préférer les classes Auto, placer explicitement sur le device pour le GPU, gérer le cache avec HF_HOME, gérer la limite de troncation à 512 tokens, utiliser la librairie datasets pour éviter de remplir la RAM), et les cas d'usage du NLP (résumé, traduction, NER) aux applications scientifiques (repliement de protéines, modélisation ADN/ARN, chimie SMILES, vision ViT, modèles de fondation pour séries temporelles, fine-tuning de LLM sur littérature de domaine, VQA multimodal). Bémols honnêtes : c'est un playbook pour le projet upstream huggingface/transformers — installe toi-même la vraie librairie et récupère les modèles sur huggingface.co ; les poids des modèles sur le Hub ont leurs propres licences (permissives, copyleft ou custom) — vérifie la fiche de licence de chaque modèle avant usage commercial ou redistribution ; les gros modèles demandent du vrai espace disque et de la mémoire GPU — planifie ton cache et ton hardware. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3.9+ avec un backend (PyTorch ou JAX recommandé) ; espace disque et mémoire GPU pour les modèles prévus ; les poids viennent de huggingface.co sous leurs propres licences Installe-moi « Hugging Face Transformers — modèles pré-entraînés pour texte, vision et audio ». Il donne à mon agent la référence Transformers de @tondevrel : pipelines, classes Auto, tokenisation, Trainer et fine-tuning PEFT, placement sur device, cache de modèles avec HF_HOME, les règles critiques à faire/à éviter, et des cas d'usage du NLP aux applications scientifiques (protéines, ADN/ARN, SMILES, ViT, séries temporelles, fine-tuning de LLM, multimodal). Licence MIT. Dépôt : https://github.com/tondevrel/scientific-agent-skills/blob/main/skills/transformers/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Les téléchargements de modèles ne doivent aller que vers huggingface.co — toute autre source de modèles est un signal d'alerte. Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « transformers ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. installer transformers plus un backend, récupérer les modèles voulus sur huggingface.co, vérifier la fiche de licence de chaque modèle avant usage commercial, et planifier l'espace disque et la mémoire GPU). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.