Ocena perpleksji
Sprawdź, jak generować tekst i oceniać wynik perpleksji.
Przygotowano dla ciebie zmienną input_text zawierającą początek zdania: "Current trends show that by 2030 ".
Użyj modelu LLM, aby wygenerować dalszą część zdania.
Model AutoModelForCausalLM wraz z tokenizerem zostały załadowane jako zmienne model i tokenizer.
To ćwiczenie jest częścią kursu
Wprowadzenie do LLM w Pythonie
Instrukcje do ćwiczenia
- Zakoduj
input_texti przekaż go do dostarczonego modelu generowania tekstu. - Załaduj i oblicz wynik
mean_perplexityna podstawie wygenerowanego tekstu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Encode the input text, generate and decode it
input_text_ids = ____(input_text, return_tensors="pt")
output = ____(input_text_ids, max_length=20)
generated_text = ____(output[0], skip_special_tokens=True)
print("Generated Text: ", generated_text)
# Load and compute the perplexity score
perplexity = ____("perplexity", module_type="metric")
results = ____(model_id="gpt2", predictions=____)
print("Perplexity: ", results['mean_perplexity'])