Taylor s Tune
1.0.0
Taylors Melodie ist ein stimmungsgetriebenes Musik-Empfehlungswerkzeug, mit dem die neuesten Modelle mit großer Sprache (wie Mixtral-8x7b, Llama3-70b, Llama3-7b, Gemma-7b) die besten Taylor-Swift-Songs gemäß den Benutzern Anforderungen bereitgestellt werden.
Sie können es hier als WebApp versuchen, während Sie den Projektbericht lesen können, wenn Sie mehr an dem technischen Teil interessiert sind.
In diesem Fenster kann der Benutzer dem Agenten den emotionalen Status und die Beziehungssituation erklären, um Ratschläge zu erhalten. Der Unterabschnitt links bietet die Möglichkeit, zwischen den verfügbaren Modellen auszuwählen und einige Chat-Hyperparameter wie Speicherlänge, Anzahl der vorgeschlagenen Songs und maximale LLM-Ausgangs-Token abzustimmen.
Mit diesem zweiten Panel kann der Benutzer auf den in I wusste, dass Sie Probleme haben: Emotionale Trends im Repertoire von Taylor Swift , mit denen die Vorschläge von Liedern unter Verwendung eines statistischen Modells abgeleitet werden.
Das dritte Panel meldet den beiden für das Projekt verwendeten Datensatz. Der erste verbindet eine Textbeschreibung für jeden numerischen emotionalen Kriterium.
Die berücksichtigten Kriterien sind: Gefühle des Selbst, Glas halb voll, Stadien der Depression, Tempo, Ernsthaftigkeit, Zukunftsaussichten, Gefühl von Männern, Zusammengehörigkeit
Der zweite enthält die Texte, die emotionalen Kriterien, die Bedeutungsbeschreibung und die Spotify -URL jedes Liedes.
Erstellen Sie Ihren eigenen QDrant -Cluster und kopieren Sie dann die API -Taste und die URL
Holen Sie sich einen COQ -API -Schlüssel
Erstellen Sie eine secrets.toml -Datei in dieser Root -Ordnerdatei mit den folgenden Schlüssel: GROQ_API_KEY , QDRANT_API_KEY , QDRANT_CLIENT_URL . Hier können Sie sich besser ansehen, wie Geheimnisse funktionieren
Jetzt können Sie entweder die lokale App in Ihrem aktuellen Python Env/Venv installieren oder die bereitgestellte Dockerfile verwenden
Kopieren Sie die Datei secrets.toml in den Ordner Apposite (Anweisungen hier).
Installieren Sie die erforderlichen Pakete mit
pip3 install -r requirements.txt
Vektorisieren Sie die Datensätze und laden Sie sie in Ihren QDrant Vector DB hoch, indem Sie die Notebook vector_db_upload.ipynb ausführen
Ausführen die App mit
streamlit run _Chat.py
Erstellen Sie die App
docker build -t taylor .
Vektorisieren Sie die Datensätze und laden Sie sie in Ihren QDrant Vector DB hoch, indem Sie die Notebook vector_db_upload.ipynb ausführen
Führen Sie die App aus
docker run -p 8501:8501 taylor
Das Projekt ist vollständig Open Source und kann auch auf andere Künstler mit kleinen Änderungen ausgedehnt werden. Ich werde sehr bewertet, wenn jemand zum Projekt beitragen möchte!
Das WebApp wurde mit Streamlit entwickelt und gehostet, während das Orchestrierungstool unter Vectordbs und LLMs ausgewählt wurde.
Wenn ein Benutzer eine Eingabeaufforderung sendet, wird eine erste lyrische Ähnlichkeitssuche durchgeführt, während gleichzeitig die LLMs versucht, die numerischen Bewertungen für jedes Kriterium vorherzusagen, gemäß der ersten auf der Seite der Emotional scores dargestellten Datenbank. Anschließend wird eine Abfrage zu den Kriterien DBS für die besten K -Songs aufgeführt. Anschließend werden die beiden Abfragenergebnisse zusammengeführt und als zusätzlichen Kontext für die LLM für den endgültigen Vorschlag bereitgestellt.
Das System wurde auf die Fähigkeit zur emotionalen Abteilung und in der Empfehlungsfähigkeit bewertet. Weitere Informationen dazu im Bericht.
Nützliche Notizbücher:
vector_db_upload.ipynb : Ermöglicht die vektorisierende und hochladen der beiden bereitgestellten Datenbanken in Ihren vorhandenen QDrant -Clusterlyrics_summarization.ipynb : Get Song's Bedeutung Beschreibung basierend auf seinen Texten
