หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

กระตุ้น

วิศวกรรมที่รวดเร็วแก้ปัญหา NLP ด้วย LLM และสร้างงาน NLP ที่แตกต่างกันได้อย่างง่ายดายสำหรับโมเดล Generative ยอดนิยมเช่น GPT, Palm และอื่น ๆ

การติดตั้ง

ด้วย pip

ที่เก็บนี้ได้รับการทดสอบใน Python 3.7+, OpenAI 0.25+

คุณควรติดตั้งพร้อมท์โดยใช้คำสั่ง PIP 

pip3 install promptify

หรือ 

pip3 install git+https://github.com/promptslab/Promptify.git

ทัวร์ด่วน

ในการใช้แบบจำลอง LLM ทันทีสำหรับงาน NLP ของคุณเราได้จัดเตรียม Pipeline API 

 from promptify import Prompter , OpenAI , Pipeline

sentence     =  """The patient is a 93-year-old female with a medical  				 
                history of chronic right hip pain, osteoporosis,					
                hypertension, depression, and chronic atrial						
                fibrillation admitted for evaluation and management				
                of severe nausea and vomiting and urinary tract				
                infection"""

model        = OpenAI ( api_key ) # or `HubModel()` for Huggingface-based inference or 'Azure' etc
prompter     = Prompter ( 'ner.jinja' ) # select a template or provide custom template
pipe         = Pipeline ( prompter , model )


result = pipe . fit ( sentence , domain = "medical" , labels = None )


### Output

[
    { "E" : "93-year-old" , "T" : "Age" },
    { "E" : "chronic right hip pain" , "T" : "Medical Condition" },
    { "E" : "osteoporosis" , "T" : "Medical Condition" },
    { "E" : "hypertension" , "T" : "Medical Condition" },
    { "E" : "depression" , "T" : "Medical Condition" },
    { "E" : "chronic atrial fibrillation" , "T" : "Medical Condition" },
    { "E" : "severe nausea and vomiting" , "T" : "Symptom" },
    { "E" : "urinary tract infection" , "T" : "Medical Condition" },
    { "Branch" : "Internal Medicine" , "Group" : "Geriatrics" },
]

ตัวอย่าง GPT-3 กับ NER, Multilabel, งานสร้างคำถาม

คุณสมบัติ ?

  • ดำเนินงาน NLP (เช่น NER และการจำแนกประเภท) ในรหัสเพียง 2 บรรทัดโดยไม่จำเป็นต้องมีข้อมูลการฝึกอบรม
  • เพิ่มหนึ่งช็อตหนึ่งช็อตสองช็อตหรือตัวอย่างไม่กี่ตัวอย่างลงในพรอมต์
  • การจัดการการทำนายนอกขอบเขตจาก LLMS (GPT, T5 ฯลฯ )
  • เอาต์พุตให้เป็นวัตถุ Python (เช่นรายการพจนานุกรม) เสมอเพื่อการแยกวิเคราะห์และการกรองได้ง่าย นี่เป็นข้อได้เปรียบที่สำคัญเหนือ LLM ที่สร้างเอาท์พุทซึ่งเอาท์พุทที่ไม่มีโครงสร้างและดิบทำให้ใช้งานได้ยากในธุรกิจหรือแอปพลิเคชันอื่น ๆ
  • ตัวอย่างและตัวอย่างที่กำหนดเองสามารถเพิ่มได้อย่างง่ายดายลงในพรอมต์
  • - เรียกใช้การอนุมานบนโมเดลใด ๆ ที่เก็บไว้ใน HuggingFace Hub (ดูคู่มือโน๊ตบุ๊ค)
  • ได้รับการปรับให้เหมาะสมเพื่อลดต้นทุนโทเค็น OpenAI (เร็ว ๆ นี้)

รองรับงาน NLP ที่ใช้งานได้อย่างรวดเร็ว:

ชื่องาน สมุดบันทึก colab สถานะ
การจดจำเอนทิตีชื่อ ตัวอย่างด้วย GPT-3
การจำแนกประเภทข้อความหลายฉลาก ตัวอย่างการจำแนกประเภทด้วย GPT-3
การจำแนกประเภทข้อความหลายคลาส ตัวอย่างการจำแนกประเภทด้วย GPT-3
การจำแนกประเภทข้อความไบนารี ตัวอย่างการจำแนกประเภทด้วย GPT-3
การตอบคำถาม ตัวอย่างงาน QA ด้วย GPT-3
การตอบคำถามตอบคำถาม ตัวอย่างงาน QA ด้วย GPT-3
ความสัมพันธ์ ตัวอย่างความสัมพันธ์-การสกัดด้วย GPT-3
การสรุป ตัวอย่างงานสรุปด้วย GPT-3
คำอธิบาย คำอธิบายตัวอย่างงานด้วย GPT-3
นักเขียน SQL ตัวอย่างนักเขียน SQL ด้วย GPT-3
ข้อมูลตาราง
ข้อมูลภาพ
พรอมต์เพิ่มเติม

เอกสาร

กระตุ้นเอกสาร

ชุมชน

หากคุณมีความสนใจในการสร้างวิศวกรรมพร้อมท์ LLMS, CHATGPT และการอภิปรายการวิจัยล่าสุดอื่น ๆ โปรดพิจารณาเข้าร่วม PROMPTSLAB 

@misc{Promptify2022,
  title = {Promptify: Structured Output from LLMs},
  author = {Pal, Ankit},
  year = {2022},
  howpublished = {url{https://github.com/promptslab/Promptify}},
  note = {Prompt-Engineering components for NLP tasks in Python}
}

- การบริจาค

เรายินดีต้อนรับการมีส่วนร่วมใด ๆ ในโครงการโอเพ่นซอร์สของเรารวมถึงคุณสมบัติใหม่การปรับปรุงโครงสร้างพื้นฐานและเอกสารที่ครอบคลุมมากขึ้น โปรดดูแนวทางการสนับสนุน

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด