AI时代人人必修课-提示词工程+大语言模型 多场景实战分享

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

AI时代人人必修课-提示词工程+大语言模型 多场景实战分享
AI时代下，只要掌握提示词工程技能，每个人都能驾驭AI，成为职场、副业等多场景下的高效能人士
链接：https://pan.baidu.com/s/1H-k7S6c_mbf62DAY4neNrQ?pwd=sys8
提取码：sys8
--来自百度网盘超级会员V3的分享

跟着自然语言处理技术的不断发展，提示词工程和大模型多场景使用成为了研究的热门。提示词工程旨在经过规划有效的提示词，进步模型对于特定任务的性能。而大模型多场景使用则将大型预练习模型使用于不同的场景，以实现愈加广泛的使用。本文将经过示例代码的方式，介绍怎么实现提示词工程和大模型多场景使用。

提示词工程的中心在于规划有效的提示词，以引导模型重视任务相关的信息。以下是一个基于Python的示例代码，展示怎么规划提示词：

python仿制代码

	import torch
	from transformers import AutoTokenizer, AutoModelForSequenceClassification
	# 加载预练习模型和分词器
	tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
	model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
	# 规划提示词
	prefix = "[CLS] This is a sentence."
	suffix = ". [SEP]"
	input_ids = tokenizer.encode(prefix + suffix, return_tensors="pt")
	# 输入提示词到模型中
	outputs = model(input_ids)
	# 获取模型的输出成果
	predicted_label = torch.argmax(outputs.logits, dim=1).item()

三、大模型多场景使用示例代码

大模型多场景使用将大型预练习模型使用于不同的场景，以实现愈加广泛的使用。以下是一个基于Python的示例代码，展示怎么将GPT-3模型使用于不同的场景： python仿制代码

	import torch
	from transformers import GPT3Tokenizer, GPT3Model
	# 加载预练习模型和分词器
	tokenizer = GPT3Tokenizer.from_pretrained("gpt3-medium")
	model = GPT3Model.from_pretrained("gpt3-medium")
	# 使用模型于不同场景
	# 场景1：文本生成
	input_text = "The quick brown fox jumps over the lazy dog."
	input_ids = tokenizer.encode(input_text, return_tensors="pt")
	output = model.generate(input_ids)
	output_text = tokenizer.decode(output[0], skip_special_tokens=True)
	print("场景1：文本生成", output_text)
	# 场景2：问答体系
	question = "What is the capital of France?"
	input_ids = tokenizer.encode(question, return_tensors="pt")
	output = model.generate(input_ids)
	output_text = tokenizer.decode(output[0], skip_special_tokens=True)
	print("场景2：问答体系", output_text)

在这个示例中，咱们使用了GPT-3模型进行文本生成和问答体系的任务。经过规划不同的输入文本和提示词，咱们能够将大型预练习模型使用于不同的场景，实现愈加广泛的使用。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：必修课 Transformers transform Predicted sequence