الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

preferify

الهندسة السريعة ، حل مشاكل NLP مع LLM's وتوليد بسهولة مطالبات مهمة NLP لنماذج توليد شائعة مثل GPT ، PALM ، وأكثر من ذلك مع preferify

تثبيت

مع PIP

يتم اختبار هذا المستودع على Python 3.7+ ، Openai 0.25+.

يجب عليك تثبيت preperfify باستخدام أمر PIP 

pip3 install promptify

أو 

pip3 install git+https://github.com/promptslab/Promptify.git

جولة سريعة

لاستخدام نموذج LLM على الفور لمهمة NLP الخاصة بك ، نقدم واجهة برمجة تطبيقات Pipeline . 

 from promptify import Prompter , OpenAI , Pipeline

sentence     =  """The patient is a 93-year-old female with a medical  				 
                history of chronic right hip pain, osteoporosis,					
                hypertension, depression, and chronic atrial						
                fibrillation admitted for evaluation and management				
                of severe nausea and vomiting and urinary tract				
                infection"""

model        = OpenAI ( api_key ) # or `HubModel()` for Huggingface-based inference or 'Azure' etc
prompter     = Prompter ( 'ner.jinja' ) # select a template or provide custom template
pipe         = Pipeline ( prompter , model )


result = pipe . fit ( sentence , domain = "medical" , labels = None )


### Output

[
    { "E" : "93-year-old" , "T" : "Age" },
    { "E" : "chronic right hip pain" , "T" : "Medical Condition" },
    { "E" : "osteoporosis" , "T" : "Medical Condition" },
    { "E" : "hypertension" , "T" : "Medical Condition" },
    { "E" : "depression" , "T" : "Medical Condition" },
    { "E" : "chronic atrial fibrillation" , "T" : "Medical Condition" },
    { "E" : "severe nausea and vomiting" , "T" : "Symptom" },
    { "E" : "urinary tract infection" , "T" : "Medical Condition" },
    { "Branch" : "Internal Medicine" , "Group" : "Geriatrics" },
]

مثال GPT-3 مع NER ، Multilabel ، مهمة توليد الأسئلة

سمات ؟

  • قم بتنفيذ مهام NLP (مثل NER والتصنيف) في سطرين فقط من الكود ، مع عدم وجود بيانات تدريب مطلوبة
  • أضف لقطة واحدة بسهولة أو طلقة أو عدد قليل من الأمثلة على الموجه
  • التعامل مع التنبؤ خارج الحدود من LLMS (GPT ، T5 ، إلخ)
  • يتم توفير الإخراج دائمًا ككائن Python (على سبيل المثال ، القاموس) لسهولة التحليل والتصفية. هذه ميزة كبيرة على الإخراج الذي تم إنشاؤه LLMS ، الذي يجعل الإخراج غير المنظم والخام من الصعب استخدامه في الأعمال التجارية أو التطبيقات الأخرى.
  • يمكن إضافة أمثلة مخصصة وعينات بسهولة إلى المطالبة
  • ؟ تشغيل الاستدلال على أي نموذج مخزّن على Huggingface Hub (انظر دليل دفتر الملاحظات).
  • مطالبات محسنة لتقليل تكاليف رمز Openai (قريبًا)

دعم المدى الواسع من مهام NLP القائمة على المطالبة:

اسم المهمة دفتر كولاب حالة
اسم التعرف على الكيان أمثلة ner مع GPT-3 ✅
تصنيف النص متعدد العلامات أمثلة التصنيف مع GPT-3 ✅
تصنيف النص متعدد الفصول أمثلة التصنيف مع GPT-3 ✅
تصنيف النص الثنائي أمثلة التصنيف مع GPT-3 ✅
إجابة أسئلة أمثلة مهمة QA مع GPT-3 ✅
جيل أسئلة الإجابة أمثلة مهمة QA مع GPT-3 ✅
العلاقة أمثلة على العلاقة مع GPT-3 ✅
تلخيص أمثلة مهمة تلخيص مع GPT-3 ✅
توضيح أمثلة مهمة التفسير مع GPT-3 ✅
كاتب SQL مثال كاتب SQL مع GPT-3 ✅
البيانات الجدولية
بيانات الصورة
المزيد من المطالبات

مستندات

preferify مستندات

مجتمع

إذا كنت مهتمًا بالهندسة السريعة ، LLMs ، ChatGPT وغيرها من المناقشات البحثية ، يرجى التفكير في الانضمام 

@misc{Promptify2022,
  title = {Promptify: Structured Output from LLMs},
  author = {Pal, Ankit},
  year = {2022},
  howpublished = {url{https://github.com/promptslab/Promptify}},
  note = {Prompt-Engineering components for NLP tasks in Python}
}

؟ المساهمة

نرحب بأي مساهمات في مشروعنا مفتوح المصدر ، بما في ذلك الميزات الجديدة ، والتحسينات على البنية التحتية ، والوثائق الأكثر شمولاً. يرجى الاطلاع على المبادئ التوجيهية المساهمة

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل