Hugging Face Transformers
🤗 Transformers
المكتبة المرجعية لنماذج المحوّلات المدربة مسبقاً في النص والرؤية والصوت، مع آلاف النماذج على Hugging Face Hub.
المعلومات الأساسية
| الاسم | Hugging Face Transformers |
|---|---|
| الاسم الكامل | 🤗 Transformers |
| التصنيف | معالجة اللغات الطبيعية والنماذج اللغوية |
| الجهة المطورة | Hugging Face |
| سنة الإطلاق | 2018 |
| الموقع الرسمي | github.com/huggingface/transformers |
| مستودع GitHub | huggingface/transformers |
| الوثائق الرسمية | غير محدد |
| الحزمة على PyPI | transformers |
| الترخيص | Apache-2.0 (PyPI license) |
| حالة المشروع | نشطة صدر لها إصدار خلال آخر 12 شهراً |
| آخر إصدار | 21 نوفمبر 2026 (الإصدار 5.24.0) |
| لغة البرمجة | Python |
| أنظمة التشغيل | OS Independent (كما تعلنها الحزمة على PyPI) |
| إصدار Python المطلوب | >=3.11.0 |
| مستوى الصعوبة | متوسط |
آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)
نظرة عامة
توفر Transformers واجهة موحدة لتحميل النماذج المدربة مسبقاً (BERT وGPT وT5 وLlama وViT وWhisper وغيرها) ومقطّعاتها عبر AutoModel وAutoTokenizer، وواجهة pipeline للمهام الجاهزة، وTrainer للضبط الدقيق.
بدأت عام 2018 باسم pytorch-pretrained-bert ثم توسعت. تعمل أساساً مع PyTorch، وتتكامل مع PEFT وTRL وAccelerate للضبط الدقيق الفعال، وتضم نماذج عربية منشورة على Hub مثل نماذج AraBERT وCAMeLBERT (تحقق من بطاقة كل نموذج وترخيصه).
متى تختارها؟ اخترها للعمل مع النماذج المدربة مسبقاً في النص والرؤية والصوت وضبطها.
الاستخدامات
الاستخدامات الرئيسية
- تصنيف النصوص والتعرف على الكيانات
- الترجمة والتلخيص وتوليد النص
- الضبط الدقيق للنماذج اللغوية
- نماذج الرؤية والصوت المبنية على المحوّلات
المجالات العلمية
- معالجة اللغة
- الرؤية
- الصوت
- النماذج متعددة الوسائط
أنواع المشاريع المناسبة
- مصنف مشاعر عربي
- نظام أسئلة وأجوبة
- ضبط نموذج لغوي على بيانات متخصصة
تطبيقات بحثية
- الضبط الدقيق لنماذج مدربة مسبقاً على مهام بحثية
- مقارنة النماذج اللغوية على مجموعات بيانات عربية
الخصائص التقنية
تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».
| دعم المعالج المركزي (CPU) | مدعوم |
|---|---|
| دعم المعالج الرسومي (GPU) | مدعوم |
| التوافق مع CUDA | مدعوم |
| التدريب أو الحوسبة الموزعة | مدعومعبر Accelerate وDeepSpeed وFSDP. |
| الاشتقاق التلقائي (Autodiff) | مدعومعبر PyTorch. |
| نشر النماذج (Deployment) | جزئي أو عبر إضافةتصدير إلى ONNX عبر Optimum، أو الخدمة عبر vLLM وغيره. |
| نماذج مدربة مسبقاً | مدعوم |
| أنواع البيانات المدعومة | نصوص، صور، صوت، موترات PyTorch |
| التكامل مع مكتبات أخرى | PyTorch، Tokenizers، PEFT، TRL، Sentence Transformers، Hugging Face Diffusers، vLLM |
| المرونة (تقدير تحريري) | عالية |
| الأداء (تقدير تحريري) | جيدة، وأعلى مع أدوات الخدمة المتخصصة |
| المجتمع (تقدير تحريري) | ضخم |
| جودة التوثيق (تقدير تحريري) | توثيق ودورات رسمية |
التثبيت والتشغيل
pip install transformersثبّت PyTorch أولاً حسب جهازك.
التوافق: Python >=3.11.0 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026
يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.
أمثلة برمجية
الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.
مبتدئتصنيف المشاعر بـ pipeline في Transformersغير منفّذ
الهدف: تحميل نموذج مدرب وتصنيف جمل بسطرين.
from transformers import pipeline
clf = pipeline("sentiment-analysis", model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")
print(clf(["I love this library!", "The documentation is confusing."]))
شرح الكود
pipeline يجمع المقسّم والنموذج والمعالجة اللاحقة. يحتاج الكود اتصالاً بالإنترنت لتنزيل النموذج من Hugging Face Hub أول مرة. لم نستطع تنفيذه في بيئة الاختبار لعدم توفر الاتصال بالمستودع، لذلك لا نعرض مخرجاً.
لم يُنفّذ هذا المثال في بيئة الاختبار: يحتاج تنزيل نموذج من Hugging Face Hub (غير متاح في بيئة الاختبار) راجعه على وثائق المكتبة قبل الاعتماد عليه.
متقدمبناء نموذج GPT-2 مصغر من إعداد دون تنزيلنُفّذ واختُبر
الهدف: فهم بنية النموذج اللغوي في Transformers وتمرير مدخلات وحساب الخسارة.
import math, torch
from transformers import GPT2Config, GPT2LMHeadModel
torch.manual_seed(0)
cfg = GPT2Config(vocab_size=1000, n_positions=64, n_embd=64, n_layer=2, n_head=4)
model = GPT2LMHeadModel(cfg)
ids = torch.randint(0, 1000, (2, 16))
out = model(input_ids=ids, labels=ids)
print("عدد المعاملات:", sum(p.numel() for p in model.parameters()))
print("شكل logits:", tuple(out.logits.shape))
print(f"الخسارة: {out.loss.item():.3f} | ln(1000) = {math.log(1000):.3f}")
شرح الكود
ننشئ GPT2Config بأبعاد صغيرة ونبني GPT2LMHeadModel بأوزان عشوائية، فلا نحتاج اتصالاً. تمرير labels يجعل النموذج يحسب خسارة التنبؤ بالرمز التالي داخلياً. الخسارة الأولية قريبة من ln(حجم المفردات) لأن النموذج غير مدرب.
المخرجات المسجلة عند الاختبار
عدد المعاملات: 168192 شكل logits: (2, 16, 1000) الخسارة: 6.922 | ln(1000) = 6.908
نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — transformers 5.24.0, torch 2.15.0, python 3.13.18
المزايا
- أكبر منظومة نماذج مدربة مسبقاً
- واجهة موحدة لمهام كثيرة
القيود
- النماذج الكبيرة تتطلب ذاكرة GPU كبيرة
- تغيرات متكررة في الواجهات بين الإصدارات الرئيسية
المراجع والتحقق
- صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر
https://pypi.org/project/transformers/
تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 5.24.0 — المراجعة: فريق DLArabic
- الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/huggingface/transformers
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/huggingface/transformers
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
سجل الإصدارات المتحقق منها
| الإصدار | تاريخ الإصدار | تاريخ التحقق |
|---|---|---|
| 5.24.0 | 21 نوفمبر 2026 | 21 نوفمبر 2026 |
آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.
