Promptzl

Pr? Mptzl

Transforme os LLMs de última geração em classificadores zero ⁺ -Shot Pytorch em apenas algumas linhas de código.

OFERTAS PROMPZL:

• ? Classificação Zero ⁺ -Shot com LLMS
• ? Transformando LMs causais e mascarados em classificadores sem treinamento
• ? Processamento em lote em seu dispositivo para eficiência
• Speed-up sobre chamar uma API online
• ? Transparência e acessibilidade usando o modelo localmente
• ? Distribuição sobre rótulos
• ✂️ Não há necessidade de extrair as previsões da resposta.

Para mais informações, consulte a documentação oficial .

Instalação

pip install -U promptzl

Começando

Em apenas algumas linhas de código, você pode transformar um LLM de escolha em um classificador da velha escola com todas as suas propriedades desejáveis:

Configure o conjunto de dados:

 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 ]
    }
)

Defina um aviso para orientar o modelo de idioma para as previsões corretas:

 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" ]}))

Inicialize um modelo:

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

Classifique os dados:

 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

Para tutoriais mais detalhados, consulte a documentação!