Platform For AI:Gerar títulos em chinês

O Model Gallery oferece um modelo pré-treinado para geração de títulos em chinês. Implante esse modelo diretamente ou ajuste-o com seu próprio conjunto de dados para cenários personalizados. Este tópico demonstra como gerar títulos em chinês no Model Gallery.

Pré-requisitos

Um bucket do OSS é necessário. Para mais informações, consulte Crie um bucket.

Etapa 1: Acessar a página de detalhes do modelo

1. Acesse a página do Model Gallery.

   1. Faça login no PAI console.

   2. No canto superior esquerdo da barra de navegação superior, selecione uma região.

   3. No painel de navegação à esquerda, clique em Workspaces e, em seguida, clique no nome do workspace que deseja abrir.

   4. No painel de navegação à esquerda, escolha Quick Start > Model Gallery.

2. Na página do Model Gallery, pesquise por EasyNLP_pai_mt5_title_generation_zh e clique no cartão do modelo para abrir sua página de detalhes.

Etapa 2: Implantar e depurar o modelo

Implantar o service

1. Na página de detalhes do modelo, clique em Deploy.

2. Na página de implantação do modelo, confirme os detalhes e clique em Deploy.

3. Na caixa de diálogo Billing Notification, clique em OK.

   A página redireciona automaticamente para a página de Service details. Visualize o status do service na seção Basic Information. Quando o Status mudar para Running, o service estará implantado.

Depurar o modelo online

Depurar no console

1. Na página de Service details, insira os dados da solicitação na caixa de texto Online Prediction. Veja um exemplo abaixo:

   {
       "data": ["At Guangzhou First People's Hospital, six patients underwent bronchoscopy in one morning. Five were diagnosed with lung cancer, and four of them were long-term smokers. Experts state that smoking and secondhand smoke are the primary causes of lung cancer."]
   }

2. Clique em Send Request.

   A resposta aparece na parte inferior da página, que também exibe os detalhes da solicitação HTTP. Isso inclui a URL da solicitação (um endereço de service que começa com quickstart-20240109-gskx), o cabeçalho Authorization e o corpo da solicitação no formato JSON. Utilize essas informações para chamar o service com uma API fora do console.

Depurar usando código Python

1. Visualize as informações de chamada do service.

   1. Na página de Service details, vá até a seção Resource Information e clique em View Call Information.

   2. Na caixa de diálogo Call Information, na aba Public network address call, visualize e copie o Endpoint e o Token.

2. Utilize o código de exemplo a seguir para enviar uma solicitação ao service.

   import requests
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["At Guangzhou First People\'s Hospital, six patients underwent bronchoscopy in one morning. Five were diagnosed with lung cancer, and four of them were long-term smokers. Experts state that smoking and secondhand smoke are the primary 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)
   

   Defina url e token como o Endpoint e o Token salvos localmente nas etapas anteriores, respectivamente.

   O resultado retornado é:

   {"data":["Six patients diagnosed with lung cancer at Guangzhou First People's Hospital"],"is_generating":false,"duration":0.1982583999633789,"average_duration":1.1621181964874268}
   status code: 200

Etapa 3: Ajustar o modelo

1. (Opcional) Prepare um conjunto de dados.

   Nota

   Para usar seus próprios dados no ajuste do modelo, siga estas etapas para preparar um conjunto de dados de treinamento.

   1. O Model Gallery fornece um conjunto de dados de treinamento padrão. Use-o ou prepare o seu próprio. Os dados de treinamento devem estar no seguinte formato:

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

   2. Carregue os dados preparados no seu bucket do OSS. Para mais informações, consulte Upload an object.

2. Envie um job de treinamento.

   1. Retorne à página de detalhes do modelo. Para mais informações, consulte Etapa 1: Acesse a página de detalhes do modelo.

   2. Na seção Model Training, defina Job Configuration > Output Path para o caminho do seu bucket do OSS e clique em Fine-tune. Este exemplo usa o conjunto de dados padrão para ajustar o modelo.

      Nota

      Se você preparou um conjunto de dados de treinamento, siga as etapas em Model deployment and training para atualizar o conjunto de dados na seção Model Training e, em seguida, clique em Fine-tune.

      Você é redirecionado automaticamente para a página de Task details. O status da tarefa aparece na parte superior da página, progredindo através de: Creating → Initializing → Submitted → Running. Clique na aba Task log para visualizar os logs de execução do job de treinamento, que contêm informações como configurações de variáveis de ambiente.

Etapa 4: Implantar e depurar o modelo ajustado

1. O modelo treinado é registrado automaticamente em AI Assets - Model Management. Visualize ou implante o modelo ajustado. Para mais informações, consulte Registre e gerencie modelos.

2. Para depurar o modelo online, consulte Debug the model online.