Promptzl

Pr? Mptzl

Transformez les LLM de pointe en classificateurs Pytorch Zero ⁺ -shot en quelques lignes de code.

Invitezl Offres:

• ? Classification Zero ⁺ -Shot avec LLMS
• ? Transformant les LMs causaux et masqués en classificateurs sans aucune formation
• ? Traitement par lots sur votre appareil pour l'efficacité
• Accélérer pour appeler une API en ligne
• ? Transparence et accessibilité en utilisant le modèle localement
• ? Distribution sur les étiquettes
• ✂️ Pas besoin d'extraire les prédictions de la réponse.

Pour plus d'informations, consultez la documentation officielle .

Installation

pip install -U promptzl

Commencer

Dans quelques lignes de code, vous pouvez transformer une LLM de choix en un classificateur à l'ancienne avec toutes ses propriétés souhaitables:

Configurer l'ensemble de données:

 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 ]
    }
)

Définissez une invite pour guider le modèle de langue vers les prédictions correctes:

 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" ]}))

Initialiser un modèle:

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

Classifier les données:

 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

Pour des tutoriels plus détaillés, consultez la documentation!