Platform For AI:Prediksi ringkasan teks

Di Designer, konfigurasikan parameter komponen melalui antarmuka pengguna (UI).

• Input

  Port masukan (dari kiri ke kanan)	Tipe	Komponen hulu yang direkomendasikan	Wajib
  Prediction data	OSS	Read OSS Data	Yes
  Prediction model	Component output	Text Summarization Train	No

• Konfigurasi komponen

  Tab	Parameter	Deskripsi
  Field Settings	Input data format	Kolom teks dari file input. Nilai default adalah target:str:1,source:str:1.
  	Source text column	Nama kolom teks sumber dalam tabel input. Nilai default adalah source.
  	Appended output columns	Kolom teks tertentu dari file input yang ditambahkan ke kolom teks output. Pisahkan beberapa nama kolom dengan koma (,). Nilai default adalah source.
  	Output columns	Nama kolom untuk tabel sink. Nilai default adalah predictions,beams.
  	Prediction data output	Jalur Bucket OSS tempat file hasil prediksi disimpan.
  	Use custom model	Apakah akan menggunakan model PAI default untuk prediksi langsung. Nilai yang valid: Yes No (default)
  	Is Megatron model	Hanya model pra-latih dengan awalan `mg` yang tercantum di komponen Text Summarization Train yang didukung. Nilai yang valid: Yes No (default)
  	Model path	Diperlukan hanya ketika Use custom model diatur ke Yes. Jalur penyimpanan model kustom di Bucket OSS.
  Parameter Settings	Batch size	Ukuran pemrosesan batch selama pelatihan. Ini bertipe INT. Nilai default adalah 8. Untuk server multi-GPU, parameter ini menentukan ukuran batch untuk setiap GPU.
  	Maximum text length	Panjang maksimum seluruh sekuens. Ini bertipe INT. Nilainya harus berada dalam rentang (1, 512). Nilai default adalah 512.
  	Language	Bahasa untuk pemrosesan teks: zh: Chinese. en: English.
  	Copy text from source	Apakah akan menggunakan mekanisme copy. Nilai yang valid: false (default) true
  	Minimum decoder length	Panjang minimum decoder. Ini bertipe INT. Nilai default adalah 12. Panjang output model harus lebih besar dari nilai ini.
  	Maximum decoder length	Panjang maksimum decoder. Ini bertipe INT. Nilai default adalah 32. Panjang output model harus kurang dari nilai ini.
  	Minimal Unique Field	Ukuran segmen non-pengulangan (n-gram). Ini bertipe INT. Nilai default adalah 2.
  	Beam search size	Ukuran beam search. Ini bertipe INT. Nilai default adalah 5.
  	Number of returned candidates	Jumlah hasil yang dikembalikan. Ini bertipe INT. Nilai default adalah 5. Penting Parameter ini harus sama dengan Beam search size.
  Execution Tuning	GPU type	Tipe GPU dari resource komputasi. Nilai default adalah gn5-c8g1.2xlarge.

Buat alur kerja menggunakan komponen Text Summarization Predict. Tersedia dua metode:

• Metode 1: Gunakan model yang telah disesuaikan oleh komponen Text Summarization Train.

• Metode 2: Gunakan model kustom.

Konfigurasikan komponen dan jalankan alur kerja:

1. Buat alur kerja. Untuk informasi selengkapnya, lihat bagian Contoh pada topik Text Summarization Train.

2. Siapkan data yang akan diringkas (predict_data.txt) dan unggah ke bucket OSS. Data uji dalam contoh ini berupa file TXT yang dipisahkan dengan tab.

   File CSV juga didukung. Gunakan perintah Tunnel dari klien MaxCompute untuk mengunggah set data ke MaxCompute. Untuk informasi selengkapnya tentang cara menginstal dan mengonfigurasi klien MaxCompute, lihat Hubungkan ke MaxCompute menggunakan klien (odpscmd). Untuk informasi selengkapnya tentang perintah Tunnel, lihat Perintah Tunnel.

3. Baca set data uji menggunakan komponen Read OSS Data-3 pada Metode 1 atau komponen Read OSS Data-1 pada Metode 2. Atur parameter OSS Data Path ke jalur OSS tempat set data uji disimpan.

4. Hubungkan file model dan set data uji ke komponen Text Summarization Predict dan konfigurasikan parameternya. Untuk informasi selengkapnya, lihat Konfigurasikan parameter komponen di UI.

   • Untuk model yang telah disesuaikan oleh komponen Text Summarization Train, hubungkan port output model dari komponen Text Summarization Train ke port input model dari komponen Text Summarization Predict.

   • Untuk model kustom, pada tab Field Settings, atur parameter Use custom model ke Yes dan atur parameter Model path ke jalur OSS tempat model disimpan.

5. Klik tombol untuk menjalankan alur kerja. Setelah eksekusi berhasil, lihat ringkasan output di jalur OSS yang ditentukan untuk parameter Prediction data output pada komponen Text Summarization Predict.