Finish PE-final

2023-07-24 16:39:16 +08:00
parent 98a723075d
commit b1990bf20c
5 changed files with 789 additions and 75 deletions
--- a/Summarizing.ipynb
+++ b/Summarizing.ipynb
--- a/Inferring.ipynb
+++ b/Inferring.ipynb
@ -17,9 +17,9 @@
    "\n",
    "让我们先想象一下，你是一名初创公司的数据分析师，你的任务是从各种产品评论和新闻文章中提取出关键的情感和主题。这些任务包括了标签提取、实体提取、以及理解文本的情感等等。在传统的机器学习流程中，你需要收集标签化的数据集、训练模型、确定如何在云端部署模型并进行推断。尽管这种方式可能会产生不错的效果，但完成这一全流程需要耗费大量的时间和精力。而且，每一个任务，比如情感分析、实体提取等等，都需要训练和部署单独的模型。\n",
    "\n",
-    "然而，就在你准备投入繁重工作的时候，你发现了大型语言模型（LLM）。LLM的一个明显优点是，对于许多这样的任务，你只需要编写一个 Prompt，就可以开始生成结果，大大减轻了你的工作负担。这个发现像是找到了一把神奇的钥匙，让应用程序开发的速度加快了许多。最令你兴奋的是，你可以仅仅使用一个模型和一个API来执行许多不同的任务，无需再纠结如何训练和部署许多不同的模型。\n",
+    "然而，就在你准备投入繁重工作的时候，你发现了大型语言模型（LLM）。LLM 的一个明显优点是，对于许多这样的任务，你只需要编写一个 Prompt，就可以开始生成结果，大大减轻了你的工作负担。这个发现像是找到了一把神奇的钥匙，让应用程序开发的速度加快了许多。最令你兴奋的是，你可以仅仅使用一个模型和一个 API 来执行许多不同的任务，无需再纠结如何训练和部署许多不同的模型。\n",
    "\n",
-    "让我们开始这一章的学习，一起探索如何利用LLM加快我们的工作进程，提高我们的工作效率。"
+    "让我们开始这一章的学习，一起探索如何利用 LLM 加快我们的工作进程，提高我们的工作效率。"
   ]
  },
  {
@ -102,7 +102,7 @@
   "id": "76be2320",
   "metadata": {},
   "source": [
-    "如果你想要给出更简洁的答案，以便更容易进行后处理，可以在上述 Prompt 基础上添加另一个指令：*用一个单词回答：「正面」或「负面」*。这样就只会打印出 “正面” 这个单词，这使得输出更加统一，方便后续处理。"
+    "如果你想要给出更简洁的答案，以便更容易进行后期处理，可以在上述 Prompt 基础上添加另一个指令：*用一个单词回答：「正面」或「负面」*。这样就只会打印出 “正面” 这个单词，这使得输出更加统一，方便后续处理。"
   ]
  },
  {
@ -136,7 +136,7 @@
   "id": "81d2a973-1fa4-4a35-ae35-a2e746c0e91b",
   "metadata": {},
   "source": [
-    "### 2.2 识别情感类型"
+    "### 1.2 识别情感类型"
   ]
  },
  {
@ -456,7 +456,7 @@
   "id": "95b636f1",
   "metadata": {},
   "source": [
-    "假设我们有一个新闻网站或类似的平台，这是我们感兴趣的主题：美国航空航天局、当地政府、工程、员工满意度、联邦政府等。我们想要分析一篇新闻文章，理解其包含了哪些主题。可以使用这样的prompt：确定以下主题列表中的每个项目是否是以下文本中的主题。以 0 或 1 的形式给出答案列表。"
+    "假设我们有一个新闻网站或类似的平台，这是我们感兴趣的主题：美国航空航天局、当地政府、工程、员工满意度、联邦政府等。我们想要分析一篇新闻文章，理解其包含了哪些主题。可以使用这样的 Prompt：确定以下主题列表中的每个项目是否是以下文本中的主题。以 0 或 1 的形式给出答案列表。"
   ]
  },
  {
@ -499,7 +499,7 @@
   "id": "08247dbf",
   "metadata": {},
   "source": [
-    "从输出结果来看，这个`story`与关于“美国航空航天局”、“员工满意度”、“联邦政府”、“当地政府”有关，而与“工程”无关。这种能力在机器学习领域被称为零样本（Zero-Shot）学习。这是因为我们并没有提供任何带标签的训练数据，仅凭 Prompt ，它便能判定哪些主题在新闻文章中被包含。\n",
+    "从输出结果来看，这个 `story` 与关于“美国航空航天局”、“员工满意度”、“联邦政府”、“当地政府”有关，而与“工程”无关。这种能力在机器学习领域被称为零样本（Zero-Shot）学习。这是因为我们并没有提供任何带标签的训练数据，仅凭 Prompt ，它便能判定哪些主题在新闻文章中被包含。\n",
    "\n",
    "如果我们希望制定一个新闻提醒，我们同样可以运用这种处理新闻的流程。假设我对“美国航空航天局”的工作深感兴趣，那么你就可以构建一个如此的系统：每当出现与'美国宇航局'相关的新闻，系统就会输出提醒。"
   ]
@ -961,7 +961,7 @@
 ],
 "metadata": {
  "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
@ -975,7 +975,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
-   "version": "3.10.11"
+   "version": "3.8.10"
  },
  "latex_envs": {
   "LaTeX_envs_menu_present": true,
--- a/Transforming.ipynb
+++ b/Transforming.ipynb
@ -9,7 +9,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "2fac57c2",
   "metadata": {},
@ -22,7 +21,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "bf3733d4",
   "metadata": {},
@ -35,7 +33,7 @@
   "id": "06ba53ba",
   "metadata": {},
   "source": [
-    "文本翻译是大语言模型的典型应用场景之一。相比于传统统计机器翻译系统，大语言模型翻译更加流畅自然，还原度更高。通过在大规模高质量平行语料上进行fine-tuning训练，大语言模型可以深入学习不同语言间的词汇、语法、语义等层面的对应关系，模拟双语者的转换思维，进行意义传递的精准转换，而非简单的逐词替换。\n",
+    "文本翻译是大语言模型的典型应用场景之一。相比于传统统计机器翻译系统，大语言模型翻译更加流畅自然，还原度更高。通过在大规模高质量平行语料上进行 Fine-Tune，大语言模型可以深入学习不同语言间的词汇、语法、语义等层面的对应关系，模拟双语者的转换思维，进行意义传递的精准转换，而非简单的逐词替换。\n",
    "\n",
    "以英译汉为例，传统统计机器翻译多倾向直接替换英文词汇，语序保持英语结构，容易出现中文词汇使用不地道、语序不顺畅的现象。而大语言模型可以学习英汉两种语言的语法区别，进行动态的结构转换。同时，它还可以通过上下文理解原句意图，选择合适的中文词汇进行转换，而非生硬的字面翻译。\n",
    "\n",
@ -43,7 +41,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "1b418e32",
   "metadata": {},
@ -79,7 +76,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "e3e922b4",
   "metadata": {},
@ -111,7 +107,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "c1841354",
   "metadata": {},
@ -146,7 +141,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "68723ba5",
   "metadata": {},
@ -154,31 +148,6 @@
    "### 1.4 同时进行语气转换"
   ]
  },
-  {
-   "cell_type": "code",
-   "execution_count": 13,
-   "id": "a4770dcc",
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "Formal: ¿Le gustaría ordenar una almohada?\n",
-      "Informal: ¿Te gustaría ordenar una almohada?\n"
-     ]
-    }
-   ],
-   "source": [
-    "prompt = f\"\"\"\n",
-    "Translate the following text to Spanish in both the \\\n",
-    "formal and informal forms: \n",
-    "'Would you like to order a pillow?'\n",
-    "\"\"\"\n",
-    "response = get_completion(prompt)\n",
-    "print(response)\n"
-   ]
-  },
  {
   "cell_type": "code",
   "execution_count": 14,
@ -204,7 +173,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "b2dc4c56",
   "metadata": {},
@ -213,7 +181,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "54b00aa4",
   "metadata": {},
@ -297,7 +264,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "6ab558a2",
   "metadata": {},
@ -306,7 +272,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "b85ae847",
   "metadata": {},
@ -350,7 +315,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "98df9009",
   "metadata": {},
@ -359,14 +323,13 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "0bf9c074",
   "metadata": {},
   "source": [
-    "大语言模型如ChatGPT在不同数据格式之间转换方面表现出色。它可以轻松实现JSON到HTML、XML、Markdown等格式的相互转化。下面是一个示例,展示如何使用大语言模型**将JSON数据转换为HTML格式**:\n",
+    "大语言模型如 ChatGPT 在不同数据格式之间转换方面表现出色。它可以轻松实现 JSON 到 HTML、XML、Markdown 等格式的相互转化。下面是一个示例,展示如何使用大语言模型**将 JSON 数据转换为 HTML 格式**:\n",
    "\n",
-    "假设我们有一个JSON数据,包含餐厅员工的姓名和邮箱信息。现在我们需要将这个JSON转换为HTML表格格式，以便在网页中展示。在这个案例中,我们就可以使用大语言模型,直接输入JSON数据,并给出需要转换为HTML表格的要求。语言模型会自动解析JSON结构,并以HTML表格形式输出,完成格式转换的任务。\n",
+    "假设我们有一个 JSON 数据,包含餐厅员工的姓名和邮箱信息。现在我们需要将这个 JSON 转换为 HTML 表格格式，以便在网页中展示。在这个案例中,我们就可以使用大语言模型,直接输入JSON 数据,并给出需要转换为 HTML 表格的要求。语言模型会自动解析 JSON 结构,并以 HTML 表格形式输出,完成格式转换的任务。\n",
    "\n",
    "利用大语言模型强大的格式转换能力,我们可以快速实现各种结构化数据之间的相互转化,大大简化开发流程。掌握这一转换技巧将有助于读者**更高效地处理结构化数据**。\n"
   ]
@ -429,6 +392,14 @@
    "print(response)"
   ]
  },
+  {
+   "cell_type": "markdown",
+   "id": "99c8114e",
+   "metadata": {},
+   "source": [
+    "将上述 HTML 代码展示出来如下："
+   ]
+  },
  {
   "cell_type": "code",
   "execution_count": 11,
@ -476,7 +447,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "29b7167b",
   "metadata": {},
@ -485,7 +455,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "22776140",
   "metadata": {},
@ -552,7 +521,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "538181e0",
   "metadata": {},
@ -602,7 +570,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "2e2d1f6a",
   "metadata": {},
@ -657,7 +624,6 @@
   ]
  },
  {
-   "attachments": {},
   "cell_type": "markdown",
   "id": "3ee5d487",
   "metadata": {},
@ -1343,7 +1309,7 @@
 ],
 "metadata": {
  "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
@ -1357,7 +1323,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
-   "version": "3.10.11"
+   "version": "3.8.10"
  },
  "latex_envs": {
   "LaTeX_envs_menu_present": true,
--- a/Expanding.ipynb
+++ b/Expanding.ipynb
@ -13,11 +13,9 @@
   "source": [
    "**文本扩展**是大语言模型的一个重要应用方向，它可以输入简短文本，生成更加丰富的长文。这为创作提供了强大支持，但也可能被滥用。因此开发者在使用时，必须谨记社会责任，避免生成有害内容。\n",
    "\n",
-    "在本章中,我们将学习*基于OpenAI API实现一个客户邮件自动生成的示例*，用于*根据客户反馈优化客服邮件*。这里还会介绍“温度”（temperature）这一超参数，它可以**控制文本生成的多样性**。\n",
+    "在本章中,我们将学习*基于 OpenAI API 实现一个客户邮件自动生成的示例*，用于*根据客户反馈优化客服邮件*。这里还会介绍“温度”（temperature）这一超参数，它可以**控制文本生成的多样性**。\n",
    "\n",
-    "需要注意，扩展功能只应用来辅助人类创作，而非大规模自动生成内容。开发者应审慎使用，避免产生负面影响。只有以负责任和有益的方式应用语言模型，才能发挥其最大价值。\n",
-    "\n",
-    "相信践行社会责任的开发者可以利用语言模型的扩展功能，开发出真正造福人类的创新应用。\n"
+    "需要注意，扩展功能只应用来辅助人类创作，而非大规模自动生成内容。开发者应审慎使用，避免产生负面影响。只有以负责任和有益的方式应用语言模型，才能发挥其最大价值。相信践行社会责任的开发者可以利用语言模型的扩展功能，开发出真正造福人类的创新应用。\n"
   ]
  },
  {
@ -33,7 +31,7 @@
   "source": [
    "在这个客户邮件自动生成的示例中，我们**将根据客户的评价和其中的情感倾向，使用大语言模型针对性地生成回复邮件**。\n",
    "\n",
-    "具体来说，我们先输入客户的评论文本和对应的情感分析结果(正面或者负面)。然后构造一个Prompt，要求大语言模型基于这些信息来生成一封定制的回复电子邮件。\n",
+    "具体来说，我们先输入客户的评论文本和对应的情感分析结果(正面或者负面)。然后构造一个 Prompt，要求大语言模型基于这些信息来生成一封定制的回复电子邮件。\n",
    "\n",
    "下面先给出一个实例，包括一条客户评价和这个评价表达的情感。这为后续的语言模型生成回复邮件提供了关键输入信息。通过输入客户反馈的具体内容和情感态度，语言模型可以生成针对这个特定客户、考虑其具体情感因素的个性化回复。这种**针对个体客户特点的邮件生成方式，将大大提升客户满意度**。"
   ]
@ -129,7 +127,7 @@
   "source": [
    "## 二、引入温度系数\n",
    "\n",
-    "大语言模型中的 “温度”(temperature) 参数可以控制生成文本的随机性和多样性。temperature的值越大，语言模型输出的多样性越大；temperature的值越小，输出越倾向高概率的文本。\n",
+    "大语言模型中的 “温度”(temperature) 参数可以控制生成文本的随机性和多样性。temperature 的值越大，语言模型输出的多样性越大；temperature 的值越小，输出越倾向高概率的文本。\n",
    "\n",
    "举个例子，在某一上下文中，语言模型可能认为“比萨”是接下来最可能的词，其次是“寿司”和“塔可”。若 temperature 为0，则每次都会生成“比萨”；而当 temperature 越接近 1 时，生成结果是“寿司”或“塔可”的可能性越大，使文本更加多样。\n",
    "\n",
@ -192,6 +190,13 @@
    "print(response)"
   ]
  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "第二次运行输出结果会发生变化："
+   ]
+  },
  {
   "cell_type": "code",
   "execution_count": 5,
@ -241,9 +246,9 @@
   "cell_type": "markdown",
   "metadata": {},
   "source": [
-    "**温度（temperature）参数可以控制语言模型生成文本的随机性**。温度为0时，每次使用同样的Prompt，得到的结果总是一致的。而在上面的样例中，当温度设为0.7时，则每次执行都会生成不同的文本。\n",
+    "**温度（temperature）参数可以控制语言模型生成文本的随机性**。温度为0时，每次使用同样的 Prompt，得到的结果总是一致的。而在上面的样例中，当温度设为0.7时，则每次执行都会生成不同的文本。\n",
    "\n",
-    "所以，这次的结果与之前得到的邮件就不太一样了。再次执行同样的Prompt,邮件内容还会有变化。因此。我建议读者朋友们可以自己尝试不同的 temperature ，来观察输出的变化。总体来说，temperature 越高，语言模型的文本生成就越具有随机性。可以想象，高温度下，语言模型就像心绪更加活跃，但也可能更有创造力。\n",
+    "所以，这次的结果与之前得到的邮件就不太一样了。再次执行同样的 Prompt,邮件内容还会有变化。因此。我建议读者朋友们可以自己尝试不同的 temperature ，来观察输出的变化。总体来说，temperature 越高，语言模型的文本生成就越具有随机性。可以想象，高温度下，语言模型就像心绪更加活跃，但也可能更有创造力。\n",
    "\n",
    "适当调节这个超参数,可以让语言模型的生成更富有多样性，也更能意外惊喜。希望这些经验可以帮助你在不同场景中找到最合适的温度设置。\n"
   ]
@ -411,7 +416,7 @@
 ],
 "metadata": {
  "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
@ -425,7 +430,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
-   "version": "3.10.11"
+   "version": "3.8.10"
  },
  "latex_envs": {
   "LaTeX_envs_menu_present": true,
--- a/docs/content/C1
+++ b/docs/content/C1
@ -15,14 +15,8 @@
   "id": "f0bdc2c9",
   "metadata": {},
   "source": [
-    "大型语言模型带给我们的激动人心的一种可能性是，我们可以通过它构建定制的聊天机器人（Chatbot），而且只需很少的工作量。在这一章节的探索中，我们将带你了解如何利用会话形式，与具有个性化特性（或专门为特定任务或行为设计）的聊天机器人进行深度对话。"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "id": "e6fae355",
-   "metadata": {},
-   "source": [
+    "大型语言模型带给我们的激动人心的一种可能性是，我们可以通过它构建定制的聊天机器人（Chatbot），而且只需很少的工作量。在这一章节的探索中，我们将带你了解如何利用会话形式，与具有个性化特性（或专门为特定任务或行为设计）的聊天机器人进行深度对话。\n",
+    "\n",
    "像 ChatGPT 这样的聊天模型实际上是组装成以一系列消息作为输入，并返回一个模型生成的消息作为输出的。这种聊天格式原本的设计目标是简便多轮对话，但我们通过之前的学习可以知道，它对于不会涉及任何对话的**单轮任务**也同样有用。"
   ]
  },
@ -380,6 +374,14 @@
    "!pip install panel"
   ]
  },
+  {
+   "cell_type": "markdown",
+   "id": "b61e475a",
+   "metadata": {},
+   "source": [
+    "如果你还没有安装 panel 库（用于可视化界面），请运行上述指令以安装该第三方库。"
+   ]
+  },
  {
   "cell_type": "code",
   "execution_count": null,
@ -850,7 +852,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
-   "version": "3.10.11"
+   "version": "3.8.10"
  },
  "latex_envs": {
   "LaTeX_envs_menu_present": true,