『抽丝剥茧』手把手快速上带你开启文心大模型的奇妙冒险

文心大模型简介

随着数据井喷、算法进步和算力突破，效果好、泛化能力强、通用性强的预训练大模型（以下简称“大模型”），成为人工智能发展的关键方向与人工智能产业应用的基础底座。

百度文心大模型源于产业、服务于产业，是产业级知识增强大模型。百度通过大模型与国产深度学习框架融合发展，打造了自主创新的AI底座，大幅降低了AI开发和应用的门槛，满足真实场景中的应用需求，真正发挥大模型驱动AI规模化应用的产业价值。 文心大模型的一大特色是“知识增强”，即引入知识图谱，将数据与知识融合，提升了学习效率及可解释性。

文心ERNIE自2019年诞生至今，在语言理解、文本生成、跨模态语义理解等领域取得多项技术突破，在公开权威语义评测中斩获了十余项世界冠军。 2020年，文心ERNIE荣获世界人工智能大会WAIC最高奖项SAIL奖。

2022年6月，基于文心大模型的度晓晓，写作、绘画、写歌能力密集展示，全国高考作文写作得高分、作画参加西安美术学院毕业展、联合龚俊数字人推出国内首个虚拟偶像 AIGC 创作歌曲。

————上述内容源自百度百科文心大模型

文心大模型ERNIE 3.0系列&&ERNIE-ViLG文生图系列

ERNIE 3.0 系列主要是用于文本处理方向

ERNIE-ViLG文生图系列主要是用于跨模态方向

ERNIE 3.0 系列服务，可以处理几乎所有自然语言理解和生成的任务。提供“零样本”的直接体验功能，例如：写作文、写文案、写摘要、对对联、自由问答、写小说、补全文本等任务，还可以通过提供“小样本”数据进行模型精调，获得您的专属模型。

ERNIE-ViLG文生图系列服务，可以体验通过文本描述来生成相应图片的能力。可以生成水彩，油画，粉笔画，卡通，蜡笔画，儿童画等不同类型的画作/图片

** 跨模态：模态是指数据的存在形式，比如文本、音频、图像、视频等文件格式。同一个事物的存在形式不同，导致检索的时候会出现跨模态检索来实现。

上面的跨模态主要指的是文字转换成图像

使用文心大模型

网页快速体验

ERNIE 3.0系列体验地址：https://wenxin.baidu.com/moduleApi/ernie3

ERNIE-ViLG文生图体验地址：https://wenxin.baidu.com/moduleApi/ernieVilg

• ERNIE 3.0体验展示：

首先选择我们需要的内容（写作文、写文案、写摘要、对对联、自由问答、写小说、补全文本等）

然后根据我们的内容提示进行描述我们的内容。

接着根据我们的需要进行模型参数的设置

最后我们点击 立刻生成 按钮稍等片刻就可以得到我们的内容

生成内容后记得给内容打个分哦~~

• ERNIE-ViLG文生图体验展示：
• 

首先我们选择需要生成的类型

接着使用文字进行描述内容即可

最后点击 立刻生成 按钮稍等片刻就可以得到我们的图片

代码调用之ERNIE 3.0系列

参考文档：https://wenxin.baidu.com/wenxin/docs#9l6llawo2

安装文心库

!pip install wenxin_api

代码调用

注意：
里面的wenxin_api.ak和wenxin_api.sk 需要替换成自己的API Key和Secret key.

API Key获取地址

https://wenxin.baidu.com/moduleApi/key

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2c206PrX-1662118444008)(https://ai-studio-static-online.cdn.bcebos.com/82a033492d3140c8891cf0db56f299cb86ca2ddeca444df584451b382b90cfbe)]
点击创建API key按钮即可

直接复制对应的内容粘贴即可

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eGnIC5ZH-1662118444009)(https://ai-studio-static-online.cdn.bcebos.com/cb8f5fd74d39430d9879f4762a50dedc123111fd05c34bc1a639e3b5b25c1172)]

参数说明

参考地址：https://wenxin.baidu.com/wenxin/docs#dl6tgxw5f

参数	释义	类型	默认值	取值范围	是否必传	说明	白话说明
text	用户输入文本	string	空	[1, 1000]	是	模型的输入文本，为prompt形式的输入。	输入一个我们想要处理的问题。例：作文题目：拔河比赛
min_dec_len	最小生成长度	int	1	[1,seq_len]	是	输出结果的最小长度，避免因模型生成END导致生成长度过短的情况，与seq_len结合使用来设置生成文本的长度范围。	根据我们实际的需求进行定义最短的长度是多少，比如文章1000字那么我们就可以设置最小长度为1000.
seq_len	最大生成长度	int	128	[1, 1000]	是	输出结果的最大长度，因模型生成END或者遇到用户指定的stop_token，实际返回结果可能会小于这个长度，与min_dec_len结合使用来控制生成文本的长度范围。	内容输出的最大长度，例如我们要诗歌律诗什么的，那么长度就7位
topp	多样性	float	1.0	[0.0,1.0]，间隔0.1	是	影响输出文本的多样性，取值越大，生成文本的多样性越强。	就是输出内容改变程度，这个值越大我们重复的概率就越小
penalty_score	重复惩罚	float	1.0	[1,2]	否	通过对已生成的token增加惩罚，减少重复生成的现象。值越大表示惩罚越大。设置过大会导致长文本生成效果变差。	一种惩罚机制，越大越不可能重复，但是效果会变差，建议使用默认值
stop_token	提前结束符	string	空		否	预测结果解析时使用的结束字符串，碰到对应字符串则直接截断并返回。可以通过设置该值，可以过滤掉few-shot等场景下模型重复的cases。	文本中出现该字符则结束，用于特殊场合和需求，建议默认值
penalty_text	惩罚文本	string	空		否	模型会惩罚该字符串中的token。通过设置该值，可以减少某些冗余与异常字符的生成。	设置的文字会减少输出
choice_text	候选文本	string	空		否	模型只能生成该字符串中的token的组合。通过设置该值，可以对某些抽取式任务进行定向调优。	优先输出设置的内容
is_unidirectional	单双向控制开关	int	0	0或1	否	0表示模型为双向生成，1表示模型为单向生成。建议续写与few-shot等通用场景建议采用单向生成方式，而完型填空等任务相关场景建议采用双向生成方式。	部分任务需要的内容，根据实际情况进行选择
min_dec_penalty_text	最小惩罚样本	string	空		否	与最小生成长度搭配使用，可以在min_dec_len步前不让模型生成该字符串中的tokens。	与最小的长度共同使用，如果生成数据小于最小长度会激活惩罚，建议使用默认值
logits_bias	屏蔽惩罚	float	-10000	[1, 1000]	否	配合penalty_text使用，对给定的penalty_text中的token增加一个logits_bias，可以通过设置该值屏蔽某些token生成的概率。	和惩罚文本配套，建议默认设置
mask_type	生成粒度	string	word	可选参数为word, sentence, paragraph	否	设置该值可以控制模型生成粒度。	生成数据的内容，是文本还是段落还是句子，以实际需要进行选择

task_prompt

任务类型

数据类型:string

默认值：空

是否必选：否

特别说明：指定预置的任务模板，效果更好

可选值	对应内容
PARAGRAPH	引导模型生成一段文章
ENTITY	引导模型生成词组
Summarization	摘要
MT	翻译
Text2Annotation	抽取
Correction	纠错
QA_MRC	阅读理解
Dialogue	对话
QA_Closed_book	闭卷问答
QA_Multi_Choice	多选问答
QuestionGeneration	问题生成
Paraphrasing	复述
NLI	文本蕴含识别
SemanticMatching	匹配
Text2SQL	文本描述转SQL
TextClassification	文本分类
SentimentClassification	情感分析
zuowen	写作文
adtext	写文案
couplet	对对联
novel	写小说
cloze	文本补全
Misc	其它任务

import wenxin_api 
from wenxin_api.tasks.composition import Composition

wenxin_api.ak = "You API Key"  # 填写自己的API Key
wenxin_api.sk = # "You Secret Key"  # 填写自己的Secret Key
input_dict = {
    
    
    "text": "作文题目：拔河比赛\n正文：",  # 题目/内容
    "seq_len": 512,  # 文本长度（最长生成结果文本长度）
    "topp": 0.9,  # 多样性（取值越大，生成文本的多样性越强）
    "penalty_score": 1.2,  # 重复惩罚（1-2之前，通过对已生成的token增加惩罚，减少重复生成的现象）
    "min_dec_len": 128,  # 最小生成长度
    "is_unidirectional": 0,  # 单双向控制开关（0表示模型为双向生成，1表示模型为单向生成。）
    #建议续写与few-shot等通用场景建议采用单向生成方式，而完型填空等任务相关场景建议采用双向生成方式。
    "task_prompt": "zuowen"  # 任务类型
}
rst = Composition.create(**input_dict)
print(rst)
# print(rst['result'])  # 只输出内容

2022-09-02 17:09:24,072 - model 1: starts writing
{'result': '星期三下午第一节课，我们在操场举行了拔河比赛。太阳火辣辣的照着大地，似乎要把大地烤焦。有些同学擦擦汗，还有几个说：“那么热，怎么能打起精神来呢？”突然，体育老师叫道：“预备--开始！”同学们卯足劲的拉着绳子，像一只只小毛驴使出全身力气往后拉。而李宁泽他们班又是最强的队伍，其它班都不敢轻易去挑战。老师喊完停以后，结果就变成了一九比零了。放学后，刚回到家里，爸爸妈妈就跟我说；明天的作文里你可要写上今天参加拔河比赛这件事哦！虽然爸爸经常会批评我，但我心理知道她这也是为了鼓励我呀！'}

代码调用之ERNIE-ViLG文生图

使用文档：https://wenxin.baidu.com/wenxin/docs#Pl6llwf92

安装文心库

# !pip install wenxin_api

代码调用

注意： 里面的wenxin_api.ak和wenxin_api.sk 需要替换成自己的API Key和Secret key.

API Key获取方式与上方ERNIE 3.0相同

参数说明：

参数名	类型	是否必传	描述
text	string	是	输入内容，长度不超过64个字
style	string	是	图片风格，目前支持风格有：油画、水彩画、卡通、粉笔画、儿童画、蜡笔画

import wenxin_api 
from wenxin_api.tasks.text_to_image import TextToImage  

wenxin_api.ak = "You API Key"  # 填写自己的API Key
wenxin_api.sk = "You Secret Key"  # 填写自己的Secret Key
input_dict = {
    
    
    "text": "超级月亮，元宇宙风",  # 文字描述内容
    "style": "水彩"  # 生成风格
}
rst = TextToImage.create(**input_dict)
print(rst)

2022-08-30 23:07:55,580 - model is painting now!, taskId: 1088386, waiting: 1m
2022-08-30 23:08:15,774 - model is painting now!, taskId: 1088386, waiting: 30s
{'imgUrls': ['https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5bex', 'https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5bi4', 'https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5b5q', 'https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5b30', 'https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5bv9', 'https://wenxin.baidu.com/younger/file/ERNIE-ViLG/670fa2538559cd8aeddef01ab2088e5ba2']}

图片下载

import requests

img_names = []
for i in rst['imgUrls']:
    img = requests.get(i)
    img_name = i.split('/')[-1]+'.png'
    img_names.append(img_name)
    with open(img_name, 'wb')as f:
        f.write(img.content)
print("下载完成")

下载完成

图片展示

from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

img_ = Image.open(img_names[0])
plt.show()
plt.imshow(img_)

<matplotlib.image.AxesImage at 0x7ff46e0fdf90>

总结

以上就是我们文心大模型的基础使用，还有一些神奇的使用方法等待大家的探索~~~

作者简介

作者：三岁
经历：自学python，现在混迹于paddle社区，希望和大家一起从基础走起，一起学习Paddle
csdn地址：https://blog.csdn.net/weixin_45623093/
我在AI Studio上获得至尊等级，点亮9个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/284366