前言
前面我们了解了Hugging Face Space空间 和 DataSets数据集 的基本使用方式，今天我们继续探索Hugging Face Models的基本使用方式。对往期内容感兴趣的小伙伴也可以看往期：
- 【Hugging Face】初识Hugging Face【Hugging Face】Hugging Face Hub与Hugging Face CLI【Hugging Face】Hugging Face Space空间的基本使用方式【Hugging Face】Hugging Face数据集的基本使用
模型使用方式
使用Hugging Face模型有两种方式，一种是通过 Hugging Face提供的 huggingface_hub，一种是通过Hugging Face提供的 transformers 和 diffusers
- huggingface_hub：由Hugging Face统一封装调用，需要提供Hugging Face API Keytransformers 和 diffusers：
- transformers：Hugging Face提供的专注自然语言处理（NLP）及多模态任务，如文本生成、翻译、分类、问答等，无需提供Hugging Face API Keydiffusers：Hugging Face提供的专注扩散模型（Diffusion Models），用于图像、音频、视频、3D 等生成任务，无需提供Hugging Face API Key
通过huggingface_hub使用
由于个人电脑配置有限，我这里在Google的Colab上使用，在本地使用步骤也是类似的，对Google Colab还不了解的小伙伴可以看往期：
初识Google Colab
Qwen3-0.6B文本生成
以Qwen3-0.6B模型为例，进入模型详情
点击【View Code Snippets】查看接入代码
在Colab上新建Colab Notebooks，输入代码
import osfrom huggingface_hub import InferenceClient# Set the environment variable for the current processos.environ['HF_TOKEN'] = "your hugging face api key"client = InferenceClient( provider="featherless-ai", api_key=os.environ["HF_TOKEN"],)completion = client.chat.completions.create( model="Qwen/Qwen3-0.6B", messages=[ { "role": "user", "content": "What is the capital of France?" } ],)print(completion.choices[0].message.content)点击左侧运行，输出结果如下
这里是英文的，我们也可以AI输出中文结果，稍微改动一下提示词
import osfrom huggingface_hub import InferenceClient# Set the environment variable for the current processos.environ['HF_TOKEN'] = "your hugging face api key"client = InferenceClient( provider="featherless-ai", api_key=os.environ["HF_TOKEN"],)completion = client.chat.completions.create( model="Qwen/Qwen3-0.6B", messages=[ { "role": "user", "content": "默认使用中文回复" }, { "role": "user", "content": "What is the capital of France?" } ],)print(completion.choices[0].message.content)此时AI就会以中文回复了
FLUX.1-dev绘图
进入FLUX.1-dev模型详情
点击【View Code Snippets】查看接入代码
在Colab文档上新建一个代码块，输入以下代码
import osfrom huggingface_hub import InferenceClientfrom IPython.display import displayos.environ['HF_TOKEN'] = "your api key"client = InferenceClient( provider="nebius", api_key=os.environ["HF_TOKEN"],)# output is a PIL.Image objectimage = client.text_to_image( "Astronaut riding a horse", model="black-forest-labs/FLUX.1-dev",)# 展示图片display(image)点击运行，执行结束后，我们将得到一张图片
通过transformers和diffusers使用
transformers 和 diffusers 是Hugging Face提供的两个重要Python库，使用较为复杂，这里只做模型的简单使用，不深入了解。
情感分析
以distilbert-base-uncased-finetuned-sst-2-english模型为例，进入distilbert-base-uncased-finetuned-sst-2-english模型详情，复制模型名称
在Colab中创建代码块，添加如下代码
from transformers import pipeline# huggingface远程模型名model_name = "distilbert-base-uncased-finetuned-sst-2-english"# 创建管道classifier = pipeline("sentiment-analysis", model=model_name)# 进行情感分析result = classifier("I hate you")[0]print(result)result = classifier("I love you")[0]print(result)点击左侧运行，输出结果如下
sdxl-turbo绘图
Diffusers库，这里以stabilityai/sdxl-turbo模型为例，进入stabilityai/sdxl-turbo模型详情，复制模型名称
在Colab中创建代码块，添加如下代码
from diffusers import DiffusionPipelineimport torchif torch.cuda.is_available(): device = "cuda" torch_dtype = torch.float16else: device = "cpu" torch_dtype = torch.float32pipe = DiffusionPipeline.from_pretrained("stabilityai/sdxl-turbo", torch_dtype=torch_dtype)pipe.to(device)image = pipe( prompt="Astronaut riding a horse", negative_prompt="low quality, bad quality, loss body", # 反向提示词 num_inference_steps=1, # 步长 guidance_scale=0.0, # 引导系数 width=512, height=512).images[0]display(image)等待执行，执行完成后，可以看到生成图片的效果如下：
参考
友情提示
见原文：【Hugging Face】Hugging Face模型的基本使用
本文同步自微信公众号 "程序员小溪" ，这里只是同步，想看及时消息请移步我的公众号，不定时更新我的学习经验。
