backprop

反向传播“风格=”最大宽度：100％;“>

backprop使得使用、微调和部署最先进的 ML 模型变得简单。

使用预先训练的模型解决各种任务，或者针对您自己的任务在一行中对其进行微调。

您可以使用backprop解决开箱即用的任务：

• 用英语对话式回答问题
• 100 多种语言的文本分类
• 图像分类
• 50 多种语言的文本矢量化
• 图像矢量化
• 英文总结
• 情绪检测英语
• 文本生成

对于更具体的用例，您可以通过微调来调整具有少量数据和单行代码的任务。

⚡ 开始使用	安装，几分钟介绍
示例	微调和使用示例
？文档	有关任务推理和微调的深入文档
型号	可用型号概览

入门

安装

通过 PyPi 安装backprop传播：

pip install backprop

基本任务推理

任务充当接口，让您轻松使用各种受支持的模型。

backprop context = "Take a look at the examples folder to see use cases!" qa = backprop .QA() # Start building! answer = qa("Where can I see what to build?", context) print(answer) # Prints "the examples folder"">

 import backprop

context = "Take a look at the examples folder to see use cases!"

qa = backprop . QA ()

# Start building!
answer = qa ( "Where can I see what to build?" , context )

print ( answer )
# Prints
"the examples folder"

您可以在自己的机器上运行所有任务和模型，或者使用我们的推理 API 在生产中运行，只需指定您的api_key即可。

了解如何使用所有可用任务。

基本微调和上传

每个任务都实现微调，让您可以通过一行代码调整模型以适应您的特定用例。

经过微调的模型可以轻松上传到生产环境，让您专注于构建出色的应用程序。

backprop tg = backprop .TextGeneration("t5-small") # Any text works as training data inp = ["I really liked the service I received!", "Meh, it was not impressive."] out = ["positive", "negative"] # Finetune with a single line of code tg.finetune({"input_text": inp, "output_text": out}) # Use your trained model prediction = tg("I enjoyed it!") print(prediction) # Prints "positive" # Upload to backprop for production ready inference # Describe your model name = "t5-sentiment" description = "Predicts positive and negative sentiment" tg.upload(name=name, description=description, api_key="abc")">

 import backprop

tg = backprop . TextGeneration ( "t5-small" )

# Any text works as training data
inp = [ "I really liked the service I received!" , "Meh, it was not impressive." ]
out = [ "positive" , "negative" ]

# Finetune with a single line of code
tg . finetune ({ "input_text" : inp , "output_text" : out })

# Use your trained model
prediction = tg ( "I enjoyed it!" )

print ( prediction )
# Prints
"positive"

# Upload to backprop for production ready inference
# Describe your model
name = "t5-sentiment"
description = "Predicts positive and negative sentiment"

tg . upload ( name = name , description = description , api_key = "abc" )

请参阅其他任务的微调。

为什么要backprop ？

1. 无需经验

   • 实用人工智能的入门应该很简单
   • 无需成为专家即可在您的任务中获得最先进的性能

2. 数据是瓶颈

   • 无需任何数据即可解决现实世界的任务
   • 通过迁移学习，即使是少量的数据也可以使任务适应您的利基需求

3. 有海量的模型

   • 我们提供精选的最佳开源模型并使其易于使用
   • 一些通用模型可以用更少的优化完成更多的事情

4. 经济有效地部署模型是一项艰巨的工作

   • 如果我们的模型适合您的用例，则无需部署：只需调用我们的 API
   • 只需几行代码即可调整和部署您自己的模型
   • 我们的 API 可扩展，始终可用，您只需按使用量付费

示例

• 使用 Finetuning 解决任何基于文本的任务（Github、Colab）
• 使用文本搜索图像（Github）
• 从文本中寻找答案（Github）
• 更多微调和任务示例

文档

查看我们的文档以了解深入的任务推理和微调。

模型中心

最先进模型的精选列表。

演示

使用 CLIP 进行零样本图像分类。

制作人员

backprop依赖于许多优秀的库来工作，最值得注意的是：

• 火炬
• PyTorch 闪电
• 变形金刚
• 句子变形金刚
• 高效网络 PyTorch
• 夹子

反馈

发现错误或对新任务和模型有想法？打开一个问题。