Trainer类

        Trainer是Hugging Face Transformers库中用于简化模型训练和评估的核心工具类。它封装了标准的训练循环（如批次处理、反向传播、优化器更新等），支持分布式训练、混合精度计算和自动日志记录，极大减少了重复代码。

        通过Trainer，可以用极简代码实现从训练到部署的全流程。如需处理特定任务（如多模态、大模型训练），可以进一步扩展功能。

1、核心功能

（1）自动化训练循环：处理前向传播、损失计算、反向传播、优化器更新。

（2）分布式训练：开箱即用的多GPU/TPU训练（无需修改代码）。

（3）混合精度训练：支持FP16（NVIDIA GPU）和BF16（AMD/Intel GPU/TPU）。

（4）灵活的评估策略：按epoch/steps触发验证集评估。

（5）模型保存与恢复：自动保存检查点，支持从中断处恢复训练。

（6）丰富的回调系统：可插入自定义逻辑（如早停、学习率调整）。

2、核心方法

（1）train()：启动训练

（2）evaluate()：在验证集上评估模型

（3）predict()：生成预测结果

（4）save_model()：保存模型和分词器

（5）push_to_hub()：上传模型到Hugging Face Hub

from transformers import Trainer, TrainingArguments

trainer = Trainer(
    model=model,  # 待训练的模型实例
    args=TrainingArguments(...),  # 训练配置
    train_dataset=train_data,  # 训练集（需实现__len__和__getitem__）
    eval_dataset=eval_data,  # 验证集（可选）
    compute_metrics=compute_metrics,  # 自定义指标计算函数
    data_collator=data_collator,  # 动态批次填充（默认为DataCollatorWithPadding）
    tokenizer=tokenizer,  # 用于日志记录和保存
    callbacks=[callback1, ...]  # 自定义回调
)