llm_openai_notebook

LLM Openai Notebook

พื้นที่เก็บข้อมูลนี้มีสมุดบันทึก Jupyter เพื่อสำรวจและใช้โมเดลภาษาขนาดใหญ่ของ OpenAI (LLMS) สำหรับแอปพลิเคชันต่าง ๆ รวมถึง Chatbots การสร้างการค้นพบการสร้างข้อความการสร้างข้อความวิศวกรรมที่รวดเร็วและการฝังเวกเตอร์ สมุดบันทึกเหล่านี้ให้ชุดเครื่องมือที่ครอบคลุมสำหรับการทำงานกับโมเดล OpenAI ในบริบทที่หลากหลาย

โครงสร้างที่เก็บ

• openai-chat.ipynb : แสดงให้เห็นถึงการตั้งค่าของ chatbot โดยใช้โมเดล OpenAI โดยมุ่งเน้นไปที่การโต้ตอบการสนทนาและการสร้างการตอบสนอง
• openai-rag.ipynb : ดำเนินการ Retrieval-Augmented Generation (RAG), การรวมการดึงข้อมูลที่เกี่ยวข้องกับการตอบสนองแบบจำลอง OpenAI สำหรับคำตอบที่ตระหนักถึงบริบท
• openai-textgen.ipynb : มุ่งเน้นไปที่การสร้างข้อความโดยใช้โมเดล OpenAI เหมาะสำหรับการเขียนเชิงสร้างสรรค์การสร้างเนื้อหาและผลลัพธ์ข้อความที่ให้ข้อมูล
• openai_prompting.ipynb : ให้วิธีการและเทคนิคสำหรับวิศวกรรมที่มีประสิทธิภาพแสดงให้เห็นถึงวิธีการเพิ่มประสิทธิภาพการแจ้งเตือนเพื่อเป็นแนวทางพฤติกรรมของแบบจำลอง
• openai_reference_rag.ipynb : สมุดบันทึกขั้นสูงเกี่ยวกับการสร้างการเรียกคืนซึ่งรวมถึงการรวมวัสดุอ้างอิงสำหรับการตอบสนองที่แม่นยำสูง
• OpenAI_VECTOR_EMB.IPYNB : สำรวจการฝังตัวของเวกเตอร์ด้วยโมเดล OpenAI, จัดแสดงวิธีการใช้ EMBEDDINGS สำหรับการค้นหาความคล้ายคลึงกันการจัดกลุ่มและแอปพลิเคชันอื่น ๆ ในการประมวลผลภาษาธรรมชาติ

เริ่มต้น

ข้อกำหนดเบื้องต้น

ในการเรียกใช้สมุดบันทึกเหล่านี้คุณจะต้อง:

• Python 3.8+
• สมุดบันทึก Jupyter
• การพึ่งพาที่ระบุไว้ใน requirements.txt

การติดตั้ง

1. โคลนที่เก็บ:

   git clone https://github.com/simonpierreboucher/llm_openai_notebook.git
   cd llm_openai_notebook

2. ติดตั้งการอ้างอิง:

   pip install -r requirements.txt

เรียกใช้สมุดบันทึก

1. เริ่มต้นสมุดบันทึก JUPYTER : เปิด JUPYTER โดยการนำทางไปยังโฟลเดอร์ Repository และ Running:

   jupyter notebook

2. เลือกโน้ตบุ๊ก : เปิดโน๊ตบุ๊คใด ๆ เพื่อสำรวจฟังก์ชันการทำงานเช่นแชทผ้าขี้ริ้วหรือการสร้างข้อความ
3. ทำตามคำแนะนำ : โน้ตบุ๊กแต่ละใบมีคำแนะนำและขั้นตอนสำหรับการโต้ตอบกับโมเดล OpenAI ในแอปพลิเคชันที่เกี่ยวข้อง

ใช้เคส

• การพัฒนา chatbot : ด้วย OPENAI-CHAT.ipynb และ OPENAI_PROMPTING.ipynb คุณสามารถสร้างและเพิ่มประสิทธิภาพตัวแทนการสนทนา
• การดึงข้อมูล : ใช้ OPENAI-RAG.ipynb และ OPENAI_REFERENCE_RAG.ipynb สำหรับแอปพลิเคชันที่ต้องการการตอบสนองที่ถูกต้องและเป็นแหล่งที่มา
• การสร้างเนื้อหา : OPENAI-TEXTGEN.ipynb จัดเตรียมเครื่องมือสำหรับการสร้างเนื้อหาที่สร้างสรรค์หรือข้อมูล
• การฝังและการค้นหาความคล้ายคลึงกัน : OPENAI_VECTOR_EMB.ipynb เหมาะสำหรับงาน NLP ที่เกี่ยวข้องกับการจับคู่ความคล้ายคลึงกันการจัดกลุ่มและอื่น ๆ

การบริจาค

เรายินดีต้อนรับผลงาน! อย่าลังเลที่จะส่งปัญหาหรือดึงคำขอเพื่อปรับปรุงการทำงานเพิ่มคุณสมบัติหรือแก้ไขข้อบกพร่อง

ใบอนุญาต

ที่เก็บนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT