Merge pull request huggingface#534 from gxy-gxy/main

docs(zh-cn)： Reviewed Chapter 4/2

chapters/zh-CN/_toctree.yml

@@ -69,7 +69,7 @@
   - local: chapter4/1
     title: The Hugging Face Hub
   - local: chapter4/2
-    title: 使用预训练的模型
+    title: 使用预训练模型
   - local: chapter4/3
     title: 分享预训练的模型
   - local: chapter4/4

chapters/zh-CN/chapter4/2.mdx

@@ -1,6 +1,6 @@
 <FrameworkSwitchCourse {fw} />
 
-# 使用预训练的模型 [[使用预训练的模型]]
+# 使用预训练模型 [[使用预训练模型]]
 
 {#if fw === 'pt'}
 
@@ -22,15 +22,15 @@
 
 {/if}
 
-模型中心使选择合适的模型变得简单，因此只需几行代码即可在任何下游库中使用它。让我们来看看如何实际使用这些模型之一，以及如何回馈社区。
+模型中心使选择合适的模型变得简单，因此只需几行代码即可在任何下游库中使用它。让我们来看看如何使用这些模型，以及如何将模型贡献到社区。
 
-假设我们正在寻找一种可以执行**mask**填充的French-based模型。
+假设我们正在寻找一种可以执行 mask 填充的 French-based 模型。
 
 <div class="flex justify-center">
 <img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter4/camembert.gif" alt="Selecting the Camembert model." width="80%"/>
 </div>
 
-我们选择 **camembert-base** 检查点来尝试一下。我们需要做的仅仅是输入 `camembert-base`标识符！正如您在前几章中看到的，我们可以使用 **pipeline()** 功能：
+我们选择 `camembert-base` 检查点来尝试一下。我们需要做的仅仅是输入 `camembert-base` 标识符！正如你在前几章中看到的，我们可以使用 `pipeline()` 功能：
 
 ```py
 from transformers import pipeline
@@ -49,13 +49,13 @@ results = camembert_fill_mask("Le camembert est <mask> :)")
 ]
 ```
 
-如您所见，在管道中加载模型非常简单。您唯一需要注意的是所选检查点是否适合它将用于的任务。例如，这里我们正在加载 **camembert-base** 检查点在 **fill-mask** 管道，这完全没问题。但是如果我们要在 **text-classification** 管道，结果没有任何意义，因为 **camembert-base** 不适合这个任务！我们建议使用 Hugging Face Hub 界面中的任务选择器来选择合适的检查点：
+如你所见，在管道中加载模型非常简单。你唯一需要注意的是所选检查点是否适合它将用于的任务。例如，这里我们正在将 `camembert-base` 检查点加载在 `fill-mask` 管道，这完全没问题。但是如果我们在 `text-classification` 管道加载检查点，结果没有任何意义，因为 `camembert-base` 不适合这个任务！我们建议使用 Hugging Face Hub 界面中的任务选择器来选择合适的检查点：
 
 <div class="flex justify-center">
 <img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter4/tasks.png" alt="The task selector on the web interface." width="80%"/>
 </div>
 
-您还可以直接使用模型架构实例化检查点：
+你还可以直接使用模型架构实例化检查点：
 
 {#if fw === 'pt'}
 ```py
@@ -65,7 +65,7 @@ tokenizer = CamembertTokenizer.from_pretrained("camembert-base")
 model = CamembertForMaskedLM.from_pretrained("camembert-base")
 ```
 
-然而，我们建议使用[Auto* 类](https://huggingface.co/transformers/model_doc/auto.html?highlight=auto#auto-classes)，因为Auto* 类设计与架构无关。前面的代码示例将只能在 CamemBERT 架构中加载可用的检查点，但使用 **Auto*** 类使切换检查点变得简单：
+然而，我们建议使用 [`Auto*` 类](https://huggingface.co/transformers/model_doc/auto.html?highlight=auto#auto-classes)，因为 `Auto*` 类设计与架构无关。前面的代码示例将只能在 CamemBERT 架构中加载可用的检查点，但使用 `Auto*` 类使切换不同的检查点变得简单：
 
 ```py
 from transformers import AutoTokenizer, AutoModelForMaskedLM
@@ -81,8 +81,7 @@ tokenizer = CamembertTokenizer.from_pretrained("camembert-base")
 model = TFCamembertForMaskedLM.from_pretrained("camembert-base")
 ```
 
-However, we recommend using the [`TFAuto*` classes](https://huggingface.co/transformers/model_doc/auto.html?highlight=auto#auto-classes) instead, as these are by design architecture-agnostic. While the previous code sample limits users to checkpoints loadable in the CamemBERT architecture, using the `TFAuto*` classes makes switching checkpoints simple:
-然而，我们建议使用[`TFAuto*` 类](https://huggingface.co/transformers/model_doc/auto.html?highlight=auto#auto-classes)，因为`TFAuto*`类设计与架构无关。前面的代码示例将只能在 CamemBERT 架构中加载可用的检查点，但使用 `TFAuto*`  类使切换检查点变得简单：
+然而，我们建议使用 [`TFAuto*` 类](https://huggingface.co/transformers/model_doc/auto.html?highlight=auto#auto-classes)，因为 `TFAuto*` 类设计与架构无关。前面的代码示例将只能在 CamemBERT 架构中加载可用的检查点，但使用 `TFAuto*` 类使切换不同的检查点变得简单：
 
 ```py
 from transformers import AutoTokenizer, TFAutoModelForMaskedLM
@@ -93,5 +92,5 @@ model = TFAutoModelForMaskedLM.from_pretrained("camembert-base")
 {/if}
 
 <Tip>
-使用预训练模型时，一定要检查它是如何训练的，在哪些数据集上，它的限制和它的偏差。所有这些信息都应在其模型卡片上注明。
+使用预训练模型时，一定要检查它是如何训练的、在哪些数据集上训练的、它的局限性和偏差。所有这些信息都应在其模型卡片上注明。
 </Tip>