Promptzl

Pr? Mptzl

Verwandeln Sie hochmoderne LLMs in Zero ⁺ -Shot-Pytorch-Klassifikatoren in nur wenigen Codezeilen.

Promptzl bietet:

• ? Null ⁺ -Shot -Klassifizierung mit LLMs
• ? Kausale und maskierte LMs in Klassifizierer ohne Ausbildung verwandeln
• ? Batch -Verarbeitung auf Ihrem Gerät für Effizienz
• Beschleunigen Sie eine Online-API
• ? Transparenz und Zugänglichkeit durch die lokale Verwendung des Modells
• ? Verteilung über Etiketten
• ✂️ Keine Notwendigkeit, die Vorhersagen aus der Antwort zu extrahieren.

Weitere Informationen finden Sie in der offiziellen Dokumentation .

Installation

pip install -U promptzl

Erste Schritte

In nur wenigen Codezeilen können Sie einen LLM der Auswahl in einen Klassifikator der alten Schule mit all seinen wünschenswerten Eigenschaften verwandeln:

Richten Sie den Datensatz ein:

 from datasets import Dataset

dataset = Dataset . from_dict (
    {
        'text' : [
            "The food was absolutely wonderful, from preparation to presentation, very pleasing." ,
            "The service was a bit slow, but the food made up for it. Highly recommend the pasta!" ,
            "The restaurant was too noisy and the food was mediocre at best. Not worth the price." ,
        ],
        'label' : [ 1 , 1 , 0 ]
    }
)

Definieren Sie eine Aufforderung, das Sprachmodell auf die richtigen Vorhersagen zu führen:

 from promptzl import FnVbzPair , Vbz
prompt = FnVbzPair (
    lambda e : f"""Restaurant review classification into categories 'positive' or 'negative'.

    'Best pretzls in town!'='positive'
    'Rude staff, horrible food.'='negative'

    ' { e [ 'text' ] } '=""" ,
    Vbz ({ 0 : [ "negative" ], 1 : [ "positive" ]}))

Initialisieren Sie ein Modell:

 from promptzl import CausalLM4Classification
model = CausalLM4Classification (
    'HuggingFaceTB/SmolLM2-1.7B' ,
    prompt = prompt )

Klassifizieren Sie die Daten:

 from sklearn . metrics import accuracy_score
output = model . classify ( dataset , show_progress_bar = True , batch_size = 1 )
accuracy_score ( dataset [ 'label' ], output . predictions )
1.0

Weitere detaillierte Tutorials finden Sie in der Dokumentation!