模型在第x步的输入格式：

以下是一个描述任务的指令，配有提供进一步背景信息的输入。请撰写一个恰当完成请求的响应。
您的响应应遵循以下格式：
{步骤1提示}

{步骤x-1提示}
{步骤x提示}

### 指令:
{指令内容}

### 输入:
表名: {表名称}
表头: {列名}
表头类型: {列类型}
数据示例:
{数据行1}
{数据行2}
先前答案:
{先前答案}

### 响应:

模型应输出对应步骤x的答案。

各步骤提示如下：

步骤1. 选择列:
步骤2. 筛选数据:
步骤3. 添加聚合函数:
步骤4. 选择图表类型:
步骤5. 选择编码方式:
步骤6. 数据排序:

from transformers import (
    AutoTokenizer,
    AutoModelForCausalLM,
)
tokenizer = AutoTokenizer.from_pretrained("yuan-tian/chartgpt-llama3")
model = AutoModelForCausalLM.from_pretrained("yuan-tian/chartgpt-llama3", device_map="auto")
input_text = """以下是一个描述任务的指令，配有提供进一步背景信息的输入。请撰写一个恰当完成请求的响应。
您的响应应遵循以下格式：
步骤1. 选择列:
步骤2. 筛选数据:
步骤3. 添加聚合函数:
步骤4. 选择图表类型:
步骤5. 选择编码方式:
步骤6. 数据排序:

### 指令:
给我按专业职称显示教职员工的视觉化表示。

### 输入:
表名: Faculty
表头: FacID,Lname,Fname,Rank,Sex,Phone,Room,Building
表头类型: 定量,名义,名义,名义,名义,定量,名义,名义
数据示例:
1082,Giuliano,Mark,Instructor,M,2424,224,NEB
1121,Goodrich,Michael,Professor,M,3593,219,NEB
先前答案:


### 响应:"""
inputs = tokenizer(input_text, return_tensors="pt", padding=True).to("cuda")
outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens = True))