许可证: mit
数据集:

• Vezora/Tested-143k-Python-Alpaca
  语言:
• en
  小部件示例:
• 示例标题: Python!
  文本: >-
  <start_of_turn>用户 根据给定指令创建解决方案\n\n指令如下：为我编写一个链表类
  <end_of_turn>\n<start_of_turn>模型
  推理参数:
  参数:
  do_sample: False
  任务标签: text2text-generation

Gemma-2B微调Python模型

概述

Gemma-2B微调Python模型是基于Gemma-2B架构的深度学习模型，专门针对Python编程任务进行了微调。该模型旨在理解Python代码，并通过提供建议、补全代码片段或提出改进建议来帮助开发者提升代码质量和效率。

模型详情

• 模型名称: Gemma-2B微调Python模型
• 模型类型: 深度学习模型
• 基础模型: Gemma-2B
• 语言: Python
• 任务: Python代码理解与辅助

示例用例

• 代码补全：根据部分输入自动补全代码片段。
• 语法纠正：识别并建议修正Python代码中的语法错误。
• 代码质量提升：提供建议以提高代码的可读性、效率和可维护性。
• 调试辅助：通过识别潜在错误或低效代码，提供调试见解和建议。

使用方法

1. 安装Gemma Python包:

   pip install -q -U transformers==4.38.0  
   pip install torch  
   

推理

1. 如何在笔记本中使用模型:

# 直接加载模型  
import torch  
from transformers import AutoTokenizer, AutoModelForCausalLM  

tokenizer = AutoTokenizer.from_pretrained("suriya7/Gemma-2B-Finetuned-Python-Model")  
model = AutoModelForCausalLM.from_pretrained("suriya7/Gemma-2B-Finetuned-Python-Model")  

query = input('输入查询:')  
prompt_template = f"""  
<start_of_turn>用户 根据给定指令创建解决方案\n\n指令如下：{query}  
<end_of_turn>\n<start_of_turn>模型  
"""  
prompt = prompt_template  
encodeds = tokenizer(prompt, return_tensors="pt", add_special_tokens=True).input_ids  

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")  
model.to(device)  
inputs = encodeds.to(device)  

# 如需增加生成长度，可调整max_new_tokens  
generated_ids = model.generate(inputs, max_new_tokens=1000, do_sample=True, pad_token_id=tokenizer.eos_token_id)  
ans = ''  
for i in tokenizer.decode(generated_ids[0], skip_special_tokens=True).split('<end_of_turn>')[:2]:  
    ans += i  

# 仅提取模型的回答  
model_answer = ans.split("模型")[1].strip()  
print(model_answer)