yanguangqing

NLP部分的模型试验过程发现无法按照readme运行

1

## 环境 1.系统环境：MegStudio 2.MegEngine版本： 3.python版本：3.7 4.模型名称：bert cls mgpc ## 复现步骤 1. 下载models 2. 按照readme提示在MegStudio运行 3. 没有tuple ## 请提供关键的代码片段便于追查问题 ## 请提供完整的日志及报错信息 

django.core.exceptions.ImproperlyConfigured: Set the SECRET_KEY environment variable

做一个docker镜像吧，实在是太难装了。

1

装了好多次都是在失败，真的挫败哦。

批量导入报错

4

**Describe the bug** restful 批量导入关系报错 **To Reproduce** Steps to reproduce the behavior: 1. Go to '...' 2. Click on '....' 3. Scroll down to '....' 4. See error **Expected behavior**...

paddlex可不可以加入文本分类 命名实体识别 事件抽取等自然语言处理类型的任务的example

2

问题类型：其它 **PaddleX版本** 您使用的PaddleX版本 **问题描述** paddlex具有优秀的部署能力，有着模型加密、模型量化、模型剪枝方面的能力优势。如果我们将paddlex的能力迁移到一些nlp场景中会增加paddlex更大的市场适应范围。 ======================== 请在这里描述您的问题

miss topic2index.pick

在 `paddlenlp 3.0` 的微调案例中数据结构有限性无法满足当前大模型微调所需要的数据结构

1

### Feature request ### 问题描述 当前在 `paddlenlp 3.0` 的微调过程中，使用的文本生成数据结构如下： ```json { "src": "类型#裙*颜色#蓝色*风格#清新*图案#蝴蝶结", "tgt": "裙身处采用立体蝴蝶结装饰辅以蓝色条带点缀，令衣身造型饱满富有层次的同时为其注入一丝甜美气息。将女孩清新娇俏的一面衬托而出。" } ``` 虽然此结构有效，但在实际应用中发现它未能达到最佳的生成效果。经过分析，智谱的数据结构似乎更适合文本生成模型。 ### 期望的数据结构 建议将数据结构改为类似智谱的数据结构，以提升模型的性能。智谱的数据结构的格式如下： ```json { "messages": [ { "role": "user", "content": "请描述一下裙子的细节：类型、颜色、风格和图案。"...

[Improvement Request] 简化数据集加载逻辑并改进文档支持

1

### Feature request 标题: 描述: 在使用 paddlenlp 进行训练和微调时，我发现 pretrain 和 sft 部分的代码实现存在一些问题，尤其是在数据集加载逻辑方面。当前实现包含了大量复杂的代码来处理数据集路径的检测和加载，这不仅影响了代码的可读性，也使得用户难以理解和维护。 当前实现问题: ```python if data_args.dataset_name_or_path is None: raise ValueError(f"Please specific dataset name or path (got {data_args.dataset_name_or_path})") elif ( os.path.exists(os.path.join(data_args.dataset_name_or_path,...

增强 paddlenlp 以支持多轮对话、agent对话和工具对话

2

### Feature request 目前，paddlenlp 的大模型问答功能仅支持单轮问答。为了充分发挥大型语言模型的潜力，建议增强其对话功能，支持多轮对话、agent对话和工具对话。同时，当前的设计将命令行和业务组件混合在一起，建议明确命令行负责启动接口，代码负责实现业务组件，以提升代码的可维护性和扩展性。 当前实现: python 复制代码 from paddlenlp.transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-0.5B") model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-0.5B", dtype="float16") input_features = tokenizer("你好！请自我介绍一下。", return_tensors="pd") outputs = model.generate(**input_features, max_length=128) print(tokenizer.batch_decode(outputs[0])) 输出:...