backprop

反向傳播“風格=”最大寬度：100％;“>

backprop使得使用、微調和部署最先進的 ML 模型變得簡單。

使用預先訓練的模型解決各種任務，或針對您自己的任務在一行中微調。

您可以使用backprop解決開箱即用的任務：

• 用英語對話式回答問題
• 100 多種語言的文本分類
• 影像分類
• 50 多種語言的文字向量化
• 影像向量化
• 英文總結
• 情緒檢測英語
• 文字生成

對於更具體的用例，您可以透過微調來調整具有少量資料和單行程式碼的任務。

⚡ 開始使用	安裝，幾分鐘介紹
範例	微調和使用範例
？文件	有關任務推理和微調的深入文檔
型號	可用型號概覽

入門

安裝

透過 PyPi 安裝backprop傳播：

pip install backprop

基本任務推理

任務充當接口，讓您輕鬆使用各種受支援的模型。

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"

您可以在自己的機器上運行所有任務和模型，或者使用我們的推理 API 在生產中運行，只需指定您的api_key即可。

了解如何使用所有可用任務。

基本微調和上傳

每個任務都實現微調，讓您可以透過一行程式碼調整模型以適應您的特定用例。

經過微調的模型可以輕鬆上傳到生產環境，讓您專注於建立出色的應用程式。

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" )

請參閱其他任務的微調。

為什麼要backprop ？

1. 無需經驗

   • 實用人工智慧的入門應該很簡單
   • 無需成為專家即可在您的任務中獲得最先進的性能

2. 數據是瓶頸

   • 無需任何數據即可解決現實世界的任務
   • 透過遷移學習，即使是少量的資料也可以使任務適應您的利基需求

3. 有海量的模型

   • 我們提供精選的最佳開源模型並使其易於使用
   • 一些通用模型可以用更少的最佳化完成更多的事情

4. 經濟有效地部署模型是一項艱鉅的工作

   • 如果我們的模型適合您的用例，則無需部署：只需呼叫我們的 API
   • 只需幾行程式碼即可調整和部署您自己的模型
   • 我們的 API 可擴展，始終可用，您只需按使用量付費

範例

• 使用 Finetuning 解決任何基於文字的任務（Github、Colab）
• 使用文字搜尋圖像（Github）
• 從文本中尋找答案（Github）
• 更多微調和任務範例

文件

查看我們的文件以了解深入的任務推理和微調。

模型中心

最先進模型的精選清單。

示範

使用 CLIP 進行零樣本影像分類。

製作人員

backprop依賴許多優秀的庫來工作，最值得注意的是：

• 火炬
• PyTorch 閃電
• 變形金剛
• 句子變形金剛
• 高效率網路 PyTorch
• 夾子

回饋

發現錯誤或對新任務和模型有想法？打開一個問題。