阿伟又在打电动

# 关于 AutoBangumi AutoBangumi 是一个根据订阅自动下载番剧的工具，最近进行了升级并且更加好用了。但是在丰富了番剧订阅管理的同时增加了认证功能，对我这种密码太多记不住的人来说不是很友好。 # 解决方案 # 官方解决方式 果不其然今天想登陆进去看管理番剧却发现怎么也记不起来密码了，于是去翻看官方 faq，却发现官方并不支持重置密码： 1234修改和忘记密码修改密码：在登录后点击右上角···，点击 Profile，修改用户名和密码。目前没有简单的忘记密码的重置方法，如果忘记密码，可以删除 data/data.db 文件，然后重启。 官方推荐直接删除数据库，我（备份之后）删除之后登录出现没有提示的报错，并且担心这样做会导致番剧管理设置被清除，于是就开始研究如何手动重置密码。 # 手动重置密码 翻看源码后发现，密码管理模块位于 Auto_Bangumi/backend/src/module /security/ 的 jwt.py 文件，于是写了个脚本来替换对应的 hashed_passd。 脚本内容如下： 12345678910111213141516171819 ...

# 用思想链提示推理隐式情感 # 摘要 虽然情感分析系统试图根据输入文本中的关键观点表达来确定给定目标的情感极性，但在隐式情感分析 (ISA) 中，观点线索是以隐式和模糊的方式出现的。因此，检测隐式情感需要常识和多跳的推理能力来推断观点的潜在意图。受最近的思想链 (CoT) 思想的启发，在这项工作中，我们引入了三跳推理 (THOR) CoT 框架来模拟 ISA 的类人推理过程。我们设计了 THOR 的三步提示原则，一步一步地诱导出隐含的方面、观点，最后是情感极性。我们的 THOR + Flan-T5 (11B) 在有监督的情况下将最新的 SoTA (state-of-the-art) 推进了超过 6 % 的 F1。更引人注目的是，THOR+GPT3 (175B) 在零样本下将 SoTA 提升了 50 % 以上的 F1。我们的代码公开在 https://github.com/scofield7419/THOR-ISA 。 # 1. 引言 情感分析 (SA) 旨在根据输入文本检测对给定目标的情感极性。SA 可以分为显式 SA ( ESA ) 和隐式 SA ( ISA )，其中前者是当前的 ...

# 面向 Nlp 的参数高效迁移学习 原始论文：《Parameter-Efficient Transfer Learning for NLP》 http://arxiv.org/abs/1902.00751 # 摘要 微调大型预训练模型是 NLP 中一种有效的迁移机制。然而，在存在许多下游任务的情况下，微调是参数无效的：每个任务都需要一个全新的模型。作为替代，我们提出了带有适配器模块的传输。适配器模块产生一个紧凑且可扩展的模型；它们每个任务只添加少量可训练的参数，并且可以在不重访以前的任务的情况下添加新的任务。原始网络的参数保持固定，产生高度的参数共享。为了证明适配器的有效性，我们将最近提出的 BERT Transformer 模型迁移到 26 个不同的文本分类任务中，包括 GLUE 基准测试。适配器获得接近最先进的性能，同时每个任务只增加几个参数。在 GLUE 上，我们实现了 0.4% 以内的全微调性能，每个任务仅增加 3.6% 的参数。相比之下，微调训练每个任务 100% 的参数。 # 1. 引言 从预训练的模型中迁移在许多 NLP 任务 (Dai & Le , 2015 ...

# 思维链提示在大型语言模型中引发推理 # 摘要 我们探索了如何生成一个思想链 -- 一系列中间推理步骤 -- 显著提高大型语言模型执行复杂推理的能力。特别地，我们展示了这种推理能力是如何在足够大的语言模型中通过一种简单的方法 -- 思维链提示 -- 自然产生的，其中提供了几个思维链演示作为提示的例子。 在三个大型语言模型上的实验表明，在一系列算术、常识和符号推理任务上，思维链提示提高了性能。经验上的收益可能是惊人的。例如，仅用 8 个思维链示例就提示一个 PaLM 540B，在数学应用题的 GSM8K 基准上达到了最先进的精度，甚至超过了用验证器微调的 GPT-3。 图 1：思想链提示使大型语言模型能够处理复杂的算术、常识和符号推理任务。突出了思维链推理过程。 # 1. Introduction 引言 NLP 领域最近被语言模型 (Peters 等，2018;Devlin 等，2019;Brown 等，2020) 所革命化。扩大语言模型的规模已经被证明可以带来一系列的好处，例如提高性能和样本效率 (Kaplan 等，2020;Brown 等，2020)。然而，在诸如算术、常识和符 ...

# 反射：言语强化学习的语言代理 原论文：Reflexion: Language Agents with Verbal Reinforcement Learning # 摘要 大型语言模型 (Large Language Models，LLMs) 作为目标驱动的智能体被越来越多地用于与外部环境 (例如，游戏、编译器、API 等) 进行交互。然而，由于传统的强化学习方法需要大量的训练样本和昂贵的模型微调，这些语言智能体快速有效地从试错中学习仍然具有挑战性。我们提出了一种新的框架 Reflex，它不是通过更新权重来加强语言代理，而是通过语言反馈来加强语言代理。具体来说，反应主体会对任务反馈信号进行言语反思，然后在情景记忆缓冲器中保持自己的反射性文本，以便在随后的试次中诱发更好的决策。反射足够灵活，可以包括各种类型 (标量值或自由形式的语言) # 1. 引言 最近的工作如 ReAct [30]、SayCan [ 1 ]、Toolformer [ 22 ]、HuggingGPT [ 23 ]、生成式 Agent [ 19 ]、WebGPT [ 17 ] 等已经证明了构建在大型语言模型 (lar ...

# 在实践中利用 LLMs 的能力：对 Chatgpt 和更大范围的调研 原论文：Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond 本文为从事大型语言模型 (Large Language Models，LLMs) 工作的从业者和最终用户在其下游自然语言处理 ( Natural Language Processing，NLP ) 任务中提供了一个全面而实用的指南。我们从模型、数据和下游任务的角度对 LLMs 的使用提供了讨论和见解。首先，我们对现有的 GPT 型和 BERT 型 LLM 进行了简单的介绍和总结。然后，我们讨论了预训练数据、训练数据和测试数据的影响。最重要的是，我们对各种自然语言处理任务的大型语言模型的使用和非使用情况进行了详细的讨论，例如知识密集型任务、传统的自然语言理解任务、自然语言生成任务、突现能力和注意事项 # 1. INTRODUCTION 导语 近年来，大语种模型的快速发展使自然语言处理领域发生了革命性的变化。这些强大的模型在解决各种各样的 NLP 任务方面表现出了 ...

# 基本步骤 本文使用的 dtk 版本为 22.10.1，其他版本应该也可用。 # 使用 conda 本文默认已经配置好了 conda 环境（要求 python==3.7，与 jupyter 环境一致) 使用命令 1conda env list 列出当前存在的 conda 环境，如果不包含需要的环境需要根据 超算ac平台使用conda搭建pytorch环境 自行创建和配置。 推荐使用平台上存在的预置 conda 环境，这样可以节省很多手动下载安装依赖的时间。 本文选取的是当前平台上存在的预置环境 pytorch1.10.0a0-py37-dtk22.04.2 123# 本文选取当前平台上存在的预置环境pytorch1.10.0a0-py37-dtk22.04.2[xxxxx@login08]$ conda activate pytorch1.10.0a0-py37-dtk22.04.2(pytorch1.10.0a0-py37-dtk22.04.2) [xxxxxx@login08]$ # 创建 Jupyter Notebook 环境 在 ac 平台创建 Notebook 环境，选择 ...

# 基本步骤 本文使用的 dtk 版本为 22.10.1，其他版本应该也可用。 # 启用 conda 1234567module purgemodule load compiler/devtoolset/7.3.1module load mpi/hpcx/2.11.0/gcc-7.3.1module load compiler/dtk/22.10.1module load apps/anaconda3/5.2.0conda env list # 默认只有base环境 # 创建并启用自定义环境 123conda create -n env_name python=3.8 # env_name 为自己定义的环境名称 python版本根据需要来自行选择conda activate env_name#(env_name) [acg1fa4eq1@login05 ~]$ 注：要注意安装的 python 版本和 pytorch 以及 dtk 的对应关系 下载并安装下面的依赖 12345678# 下面的包对应的都是 py38-dtk22.10的版本。其他版本需要自行从开发者社区中下载# 下载链接： ...

# 关于 Fooocus fooocus 是对 Stable Diffusion 的非官方开源实现，其可以轻松实现离线图像生成，并且部署十分方便。 https://github.com/lllyasviel/Fooocus/tree/main # 下载和安装 进入 Eshell，加载 pytorch dtk23.04 环境 123module rm compiler/rocm/2.9module load compiler/rocm/dtk-23.04module load apps/DeepLearning/PyTorch/1.13.1/pytorch-1.13.1-py3.9-dtk23.04 克隆官方仓库 (这里同样是我自己创建的镜像仓库) 12git clone https://gitee.com/Cerber2ol8/Fooocus.gitcd Fooocus 克隆 comfyUI 的仓库 1234mkdir repositories && cd repositoriesgit clone https://gitee.com/Cerber2ol8/Comfy ...

# ac 平台部署 Stable Diffusion 记录 # 官方版本（无 webui） sd 官方仓库 https://github.com/Stability-AI/StableDiffusion # 环境配置 进入 Eshell，加载 pytorch dtk23.04 环境 123module rm compiler/rocm/2.9module load compiler/rocm/dtk-23.04module load apps/DeepLearning/PyTorch/1.13.1/pytorch-1.13.1-py3.9-dtk23.04 在登陆节点下载依赖 1pip install transformers==4.19.2 diffusers invisible-watermark 下载官方仓库 12# 超算服务器无法正常访问github，该链接为官方仓库同步镜像git clone https://gitee.com/Cerber2ol8/StableDiffusion 安装依赖 首先修改 requirements.txt，否则会由于找不到合适版本的包无限循环 12 ...