Unduh DGoT - Unduh Kode Sumber DGoT

DGoT

Kode Sumber AI

1.0.0

Unduh

DGOT: Grafik Pikiran Dinamis untuk Generasi Abstrak Ilmiah

Ini adalah implementasi kertas LREC-Coling 2024 DGOT kami: Grafik Dinamis Pikiran untuk Generasi Abstrak Ilmiah.

Awal yang cepat

Pengaturan Lingkungan

Kami sangat menyarankan Anda menggunakan gambar Docker DGOT_DEMO untuk menjalankan program kami.

 # pull docker image
docker pull jaycening/dgot_demo:v1.0.0

# Clone this repository and mount it into the image container.
git clone https://github.com/JayceNing/DGoT.git
docker run --gpus all -it -d --privileged=true -v ./DGoT:/home/nxy/LLM/DGoT

# Enter the target folder.
docker exec -it dgot /bin/bash
cd /home/nxy/LLM/DGoT

Gambar ini dikonfigurasikan dengan internlm2 yang digunakan di bawah LMDeploy versi 0.2.4.

Jika Anda ingin mengonfigurasi lingkungan secara manual, lihat dokumentasi lingkungan_setup.md

Persiapan Data untuk Dataset PubMedCite

Catatan grafik kutipan PubMedCite berasal dari repositori kutipan. Di sini, kami menyediakan kode untuk mengunduh set data berdasarkan API PubMed resmi.

python get_data.py --required_num 100

required_num adalah jumlah entri data yang diperlukan untuk pelatihan dan pengujian set data yang akan diunduh.

Aktifkan Layanan API LLM

Mengambil internlm2 sebagai contoh.

 cd /home/nxy/internlm2_chat_deploy
lmdeploy serve api_server ./workspace --cache-max-entry-count 0.2

Proses pelatihan

 cd /home/nxy/LLM/DGoT
python generate_abstract.py --begin 0 --end 1 --mode " train " --model " internlm2 " --task " default "

begin dan end menunjukkan indeks awal dan akhir dari dataset yang digunakan.
mode menunjukkan apakah dataset yang digunakan adalah dataset kereta atau dataset uji.
model mewakili LLM yang digunakan untuk inferensi.
task mewakili jenis tugas yang dilakukan.

Proses penalaran

python generate_abstract.py --begin 0 --end 100 --mode " test " --model " internlm2 " --task " default " --thresh_g 0.34 --thresh_a 0.35 --thresh_i 0.34

thresh_g , thresh_a dan thresh_i masing -masing mewakili ambang batas yang digunakan untuk menghasilkan transformasi, agregat transformasi, dan meningkatkan transformasi dalam DGOT.

Tutorial

Di sini, kami memberikan tutorial terperinci tentang aspek lain.

Pengaturan lingkungan secara manual
Prosedur Eksperimen Lampiran

Pengakuan

Pekerjaan ini didasarkan pada kerangka kerja cepat berikut, model bahasa besar, dan perangkat penyebaran model. Terima kasih atas kontribusi open source!

Grafik Pikiran (GOT)
Chatglm2-6b
Internlm
LMDeploy

Sumber daya komputasi makalah ini didukung oleh platform komputasi berkinerja tinggi BUPT.

Kutipan

Jika Anda menemukan repositori ini berharga, tolong beri bintang!

Menggunakan ini dalam pekerjaan Anda? Harap referensi kami menggunakan kutipan yang disediakan:

 @misc { ning2024dgot ,
      title = { DGoT: Dynamic Graph of Thoughts for Scientific Abstract Generation } , 
      author = { Xinyu Ning and Yutong Zhao and Yitong Liu and Hongwen Yang } ,
      year = { 2024 } ,
      eprint = { 2403.17491 } ,
      archivePrefix = { arXiv } ,
      primaryClass = { cs.CL }
}