Platform For AI:Hasilkan judul untuk teks berbahasa Tiongkok

Prasyarat

Buat bucket OSS. Untuk informasi selengkapnya, lihat Create a bucket in the console.

1. Buka halaman detail model

1. Buka halaman Model Gallery.

   1. Login ke PAI console.

   2. Pada panel navigasi kiri, klik Workspaces. Di halaman Workspaces, temukan ruang kerja yang ingin Anda kelola, lalu klik nama ruang kerja tersebut untuk membuka halaman Workspace Details.

   3. Pada panel navigasi kiri halaman Workspace Details, klik Model Gallery.

2. Di halaman utama Model Gallery, cari EasyNLP_pai_mt5_title_generation_zh, lalu klik kartu model tersebut untuk membuka halaman detail model.

2. Terapkan dan uji model

Terapkan layanan model

1. Di halaman detail model, klik Model Deployment.

2. Di halaman detail penerapan model, konfirmasi informasi penerapan, lalu klik Deploy.

3. Di kotak dialog Billing Reminder, klik OK.

   Halaman akan secara otomatis dialihkan ke halaman Service Details. Anda dapat melihat status layanan pada bagian Basic Information. Layanan dianggap telah diterapkan ketika Status berubah menjadi Running.

Uji model secara online

Melakukan debugging daring menggunakan konsol

1. Di halaman Service Details, masukkan data permintaan ke dalam kotak teks Online Prediction. Berikut contohnya.

   {
       "data": ["In Guangzhou First People's Hospital, 6 patients underwent bronchoscopy in one morning. 5 were diagnosed with lung cancer, and 4 were long-term smokers. Experts say that smoking and secondhand smoke are the main causes of lung cancer."]
   }

   

2. Klik Send Request.

   Output akan ditampilkan di bagian bawah halaman.

Uji secara online menggunakan kode Python

1. Anda dapat melihat informasi pemanggilan layanan.

   1. Di halaman Service Details, pada bagian Resource Information, klik View Endpoint Information.

      

   2. Di kotak dialog View Endpoint Information, pada tab Shared Gateway - Internet Endpoint, salin Endpoint dan Token.

2. Gunakan kode contoh berikut untuk mengirim permintaan layanan.

   import requests
   
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["In Guangzhou First People\'s Hospital, 6 patients underwent bronchoscopy in one morning. 5 were diagnosed with lung cancer, and 4 were long-term smokers. Experts say that smoking and secondhand smoke are the main causes of lung cancer."]}'
   request_body = request_body.encode('utf-8')
   headers = {"Authorization": token}
   resp = requests.post(url=url, headers=headers, data=request_body)
   
   print(resp.content.decode())
   print("status code:", resp.status_code)
   

   Atur nilai url dan token sesuai dengan Endpoint dan Token yang telah Anda salin pada langkah sebelumnya.

   Sistem akan mengembalikan hasil berikut.

3. Lakukan fine-tune terhadap model

1. (Opsional) Siapkan set data.

   Catatan

   Jika Anda ingin menggunakan data Anda sendiri untuk melakukan fine-tune terhadap model, ikuti langkah-langkah berikut untuk menyiapkan set data pelatihan.

   1. Model Gallery menyediakan set data pelatihan. Anda dapat menggunakan set data default atau menyiapkan data Anda sendiri. Format datanya adalah sebagai berikut:

      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      ......
      {"text": "<text>", "summary": "summary"}
      

   2. Unggah data yang telah disiapkan ke bucket OSS. Untuk informasi selengkapnya, lihat Upload a file in the console.

2. Kirim pekerjaan pelatihan.

   1. Kembali ke halaman detail model. Untuk informasi selengkapnya, lihat 1. Go to the model details page.

   2. Pada bagian Model Training, di bawah Training Settings, atur Output Path ke path bucket OSS, lalu klik Train. Contoh ini menggunakan set data default untuk melakukan fine-tune terhadap model.

      Catatan

      Jika Anda telah menyiapkan set data pelatihan sendiri, pada area Model Training, perbarui set data tersebut dengan mengikuti petunjuk dalam Train a model, lalu klik Train.

      Halaman akan secara otomatis dialihkan ke halaman Task Details. Anda dapat mengklik Task Logs untuk melihat proses pelatihan.

4. Terapkan dan uji model yang telah di-fine-tune

1. Model yang telah dilatih akan secara otomatis didaftarkan di AI Asset - Model Management. Anda kemudian dapat melihat atau menerapkan model tersebut dari sana. Untuk informasi selengkapnya, lihat Register and manage models.

2. Uji model secara online. Untuk informasi selengkapnya, lihat Test the model online.