ChatGLM-6B模型微调实战（以 ADGEN (广告生成) 数据集为例，序列长度达 2048）

kingglory/ChatGLM-6B 项目地址

1 介绍

对于 ChatGLM-6B 模型基于 P-Tuning v2 的微调。P-Tuning v2 将需要微调的参数量减少到原来的 0.1%，再通过模型量化、Gradient Checkpoint 等方法，差不多需要 7GB或则8GB 显存即可运行。
在这里插入图片描述
在这里插入图片描述

2 环境

2.1 python 环境
conda create -n py310_chat python=3.10       # 创建新环境    
source activate py310_chat                   # 激活环境

或者

# 创建虚拟环境
conda create -n xxx python=3.8
# 进入虚拟环境
conda activate xxx
# 退出当前虚拟环境
conda deactivate
# 查看本地虚拟环境
conda info --env
# 删除虚拟环境
conda remove -n xxx --all
2.2 下载代码
git clone https://github.com/THUDM/ChatGLM-6B.git    
cd ChatGLM-6B
2.3 安装依赖

运行微调需要4.27.1版本的transformers。除 ChatGLM-6B 的依赖之外，还需要按照以下依赖

# torch cuda 安装要匹配cuda 驱动版本：
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
# 安装gradio用于启动图形化web界面
pip install gradio
pip install -r requirements.txt    
pip install rouge_chinese nltk jieba datasets

验证pytorch是否为GPU版本

import torch
torch.cuda.is_available()  ## 输出应该是True
2.4（选做）

在运行前，可以修改一些文件内容

# web_demo.py
# 1. 新增mirror='https://mirrors.tuna.tsinghua.edu.cn/hugging-face-models,下载模型使用清华源
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True, mirror='https://mirrors.tuna.tsinghua.edu.cn/hugging-face-models')
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True, mirror='https://mirrors.tuna.tsinghua.edu.cn/hugging-face-models').half().cuda()
# 2. 增加server_name和server_port参数
demo.queue().launch(share=True,server_name="0.0.0.0",server_port=9234)

3 运行

#基于 Gradio 的网页版 Demo
python web_demo.py
#命令行 Demo
python cli_demo.py

值得注意的是： 显存够用下面这些不用管，当显存不够时（即GPU 显存有限低于13GB），尝试以量化方式加载模型的，需要添加代码.quantize(8) .quantize(4) ：
int8精度加载，需要10G显存；
int4精度加载，需要6G显存；

#将句子对列表传给tokenizer，就可以对整个数据集进行分词处理
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True) #将文本转换为模型能理解的数字# 自动加载该模型训练时所用的分词器model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().quantize(6).cuda()#从checkpoint实例化任何模型,下载预训练模型

4 微调

https://github.com/THUDM/ChatGLM-6B/tree/main/ptuning

4.1 数据集

从 Google Drive或Tsinghua Cloud 下载处理好的 ADGEN 数据集，将解压后的 AdvertiseGen 目录放到本目录下（ptuning/AdvertiseGen）

4.2 模型下载

Huggingface 平台下载

git lfs install
git clone https://huggingface.co/THUDM/chatglm-6b
4.3 微调训练
cd ptuning/
bash train.sh

注 train.sh 脚本如下

PRE_SEQ_LEN=128                      # soft prompt 长度，P-tuning v2 参数
LR=1e-2                            # 训练的学习率，P-tuning v2 参数CUDA_VISIBLE_DEVICES=0 python main.py \
--do_train \                                # 训练--train_file AdvertiseGen/train.json \      # 训练集地址--validation_file AdvertiseGen/dev.json \   # 验证集地址
--prompt_column content \              # 训练集中prompt 的key名称【可以理解为输入值的key】
--response_column summary \            # 训练集中response的key名称【可以理解为生成值的key】
--overwrite_cache \                    # 是否覆盖 缓存
--model_name_or_path THUDM/chatglm-6b \ # chatglm-6b 模型地址
--output_dir output/adgen-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \    # 模型保存地址
--overwrite_output_dir \
--max_source_length 64 \
--max_target_length 64 \
--per_device_train_batch_size 1 \
--per_device_eval_batch_size 1 \
--gradient_accumulation_steps 16 \
--predict_with_generate \
--max_steps 3000 \
--logging_steps 10 \
--save_steps 1000 \
--learning_rate $LR \
--pre_seq_len $PRE_SEQ_LEN \
--quantization_bit 8               # 模型 量化方式，P-tuning v2 参数

train.sh 中的 PRE_SEQ_LEN 和 LR 分别是 soft prompt 长度和训练的学习率，可以进行调节以取得最佳的效果。P-Tuning-v2 方法会冻结全部的模型参数，可通过调整 quantization_bit 来被原始模型的量化等级，不加此选项则为 FP16 精度加载。

在默认配置 quantization_bit=4、per_device_train_batch_size=1、gradient_accumulation_steps=16 下，INT4 的模型参数被冻结，一次训练迭代会以 1 的批处理大小进行 16 次累加的前后向传播，等效为 16 的总批处理大小，此时最低只需 6.7G 显存。若想在同等批处理大小下提升训练效率，可在二者乘积不变的情况下，加大 per_device_train_batch_size 的值，但也会带来更多的显存消耗，请根据实际情况酌情调整。

4.4 模型推理

将 evaluate.sh 中的 CHECKPOINT 更改为训练时保存的 checkpoint 名称，运行以下指令进行模型推理和评测：

bash evaluate.sh

注 evaluate.sh 脚本如下

PRE_SEQ_LEN=128
CHECKPOINT=adgen-chatglm-6b-pt-8-1e-2
STEP=3000
CUDA_VISIBLE_DEVICES=0 python3 main.py \
--do_predict \--validation_file AdvertiseGen/dev.json \--test_file AdvertiseGen/dev.json \
--overwrite_cache \
--prompt_column content \
--response_column summary \
--model_name_or_path ./output/$CHECKPOINT/checkpoint-$STEP  \
--output_dir ./output/$CHECKPOINT \
--overwrite_output_dir \
--max_source_length 64 \
--max_target_length 64 \
--per_device_eval_batch_size 1 \
--predict_with_generate \
--pre_seq_len $PRE_SEQ_LEN \
--quantization_bit 4
4.5 生成结果分析

评测指标为中文 Rouge score 和 BLEU-4。生成的结果保存在 ./output/adgen-chatglm-6b-pt-8-1e-2/generated_predictions.txt。

  • 示例1
Input: 类型#上衣*材质#牛仔布*颜色#白色*风格#简约*图案#刺绣*衣样式#外套*衣款式#破洞Label: 简约而不简单的牛仔外套,白色的衣身十分百搭。衣身多处有做旧破洞设计,打破单调乏味,增加一丝造型看点。衣身后背处有趣味刺绣装饰,丰富层次感,彰显别样时尚。Output[微调前]: 这件上衣的材质是牛仔布,颜色是白色,风格是简约,图案是刺绣,衣样式是外套,衣款式是破洞。Output[微调后]: 这是一款简约的牛仔外套,破洞设计,将牛仔布破洞,带来一种随意与个性。破洞的牛仔外套,展现出时尚气息,带来一种休闲感。同时,刺绣图案,让整件外套更加立体。
  • 示例2
Input: 类型#裙*版型#显瘦*风格#文艺*风格#简约*图案#印花*图案#撞色*裙下摆#压褶*裙长#连衣裙*裙领型#圆领Label: 文艺个性的印花连衣裙,藏青色底蕴,低调又大气,撞色太阳花分布整个裙身,绚丽而美好,带来时尚减龄的气质。基础款的舒适圆领,简约不失大方,勾勒精致脸庞。领后是一粒包布扣固定,穿脱十分方便。前片立体的打褶设计,搭配后片压褶的做工,增添层次和空间感,显瘦又有型。Output[微调前]: 类型#裙版型#显瘦风格#文艺风格#简约图案#印花图案#撞色裙下摆#压褶裙长#连衣裙裙领型#圆领 1. 连衣裙:简约风格,裙长为膝盖以上,裙领型为圆领。2. 裙下摆:压褶设计,使裙摆呈现出流畅的褶皱效果。3. 裙领型:裙领型为圆领,使穿上连衣裙后更加有型。4. 版型:采用显瘦设计,让连衣裙看起来更加苗条。5. 风格:文艺风格,让连衣裙更加有内涵和品味。6. 图案:印花设计,在连衣裙上印有独特的图案。7. 撞色:采用撞色设计,让连衣裙在色彩上更加鲜明、富有层次感。Output[微调后]: 这是一款文艺范的连衣裙,以印花为元素,采用简约的印花,既能够突出文艺气质,又能够展现简约风。在印花的同时又有领子和裙摆的压褶设计,更加凸显文艺气质。简约而不会过于单调,搭配出街,穿着十分舒适。
4.6 模型部署

将对应的demo或代码中的THUDM/chatglm-6b换成经过 P-Tuning 微调之后 checkpoint 的地址（在示例中为 ./output/adgen-chatglm-6b-pt-8-1e-2/checkpoint-3000）。注意，目前的微调还不支持多轮数据，所以只有对话第一轮的回复是经过微调的。
默认情况下，模型以 FP16 精度加载（无量化），需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：

  • 模型量化
# 按需修改，目前只支持 4/8 bit 量化 
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).quantize(8).half().cuda()

8-bit 量化下 GPU 显存占用约为 10GB，4-bit 量化下仅需 6GB 占用

随着对话轮数的增多，对应显存消耗也随之增大
理论上 ChatGLM-6B 支持无限长的 context-length，但总长度超过 2048 后性能会逐渐下降
量化模型会带来一定的性能损失

量化模型加载方式

# INT8 量化的模型将"THUDM/chatglm-6b-int4"改为"THUDM/chatglm-6b-int8" 
model = AutoModel.from_pretrained("THUDM/chatglm-6b-int4", trust_remote_code=True).half().cuda()
  • CPU 部署（需要 32G 内存）
    在 32G 内存的机器上经过测试，推理速度很慢
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()

友情链接

以下是部分基于本仓库开发的开源项目：

  • SwissArmyTransformer: 一个Transformer统一编程框架，ChatGLM-6B已经在SAT中进行实现并可以进行P-tuning微调。
  • ChatGLM-MNN: 一个基于 MNN 的 ChatGLM-6B C++ 推理实现，支持根据显存大小自动分配计算任务给 GPU 和 CPU。
  • ChatGLM-Tuning: 基于 LoRA 对 ChatGLM-6B 进行微调。类似的项目还包括 Humanable ChatGLM/GPT Fine-tuning | ChatGLM 微调
  • langchain-ChatGLM：基于本地知识的 ChatGLM 应用，基于LangChain
  • bibliothecarius：快速构建服务以集成您的本地数据和AI模型，支持ChatGLM等本地化模型接入。
  • 闻达：大型语言模型调用平台，基于 ChatGLM-6B 实现了类 ChatPDF 功能
  • JittorLLMs：最低3G显存或者没有显卡都可运行 ChatGLM-6B FP16， 支持Linux、windows、Mac部署

5 遇到的问题

报错1
ERROR: Could not find a version that satisfies the requirement protobuf<3.20.1,>=3.19.5 (from versions: none)
ERROR: No matching distribution found for protobuf<3.20.1,>=3.19.5

可能换了国内的镜像源，所以只需要指定装包路径（源）即可

pip install -r requirements.txt -i https://pypi.Python.org/simple/
报错 2
ImportError: Using SOCKS proxy, but the 'socksio' package is not installed. Make sure to install httpx using `pip install httpx[socks]`.

因为在命令行设置了“科学上网”，关掉即可

# 因为我设置的是临时的，所以在命令行输入如下代码即可
unset http_proxy
unset https_proxy
报错 3
RuntimeError: CUDA out of memory. Tried to allocate 128.00 MiB (GPU 0; 7.93 GiB total capacity; 7.40 GiB already allocated; 53.19 MiB free; 7.40 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：

# int4精度加载，需要6G显存
# web_demo.py
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().quantize(4).cuda()
报错 4
RuntimeError: Library cudart is not initialized

用conda管理的环境，此时应该是cudatoolkit有问题，参考此issues

# 使用conda安装cudatoolkit
conda install cudatoolkit=11.3 -c nvidia
报错 5 （windows 系统）
# ModuleNotFoundError: No module named 'chardet'# ImportError: cannot import name 'COMMON_SAFE_ASCII_CHARACTERS' from 'charset_normalizer.constant' (C:\Users\123\miniconda3\envs\chatglm6b\lib\site-packages\charset_normalizer\constant.py)pip install chardet# 仍然报错# AttributeError: partially initialized module 'charset_normalizer' has no attribute 'md__mypyc' (most likely due to a circular import)pip install --force-reinstall charset-normalizer==3.1.0

报错 6 已经下载huggingface文件到本地，并更换目录，但报需下载到本地的错

tokenizer = AutoTokenizer.from_pretrained("/home/wws/ChatGLM-6B/chatglm_6b_int4")
model = AutoModel.from_pretrained("/home/wws/ChatGLM-6B/chatglm_6b_int4").half().cuda()

报错

Traceback (most recent call last):File "/home/wws/ChatGLM-6B/run.py", line 3, in <module>model = AutoModel.from_pretrained("/home/wws/ChatGLM-6B/chatglm_6b_int4").half().cuda()File "/home/anaconda3/envs/llm/lib/python3.8/site-packages/transformers-4.29.0.dev0-py3.8.egg/transformers/models/auto/auto_factory.py", line 445, in from_pretrainedconfig, kwargs = AutoConfig.from_pretrained(File "/home/anaconda3/envs/llm/lib/python3.8/site-packages/transformers-4.29.0.dev0-py3.8.egg/transformers/models/auto/configuration_auto.py", line 928, in from_pretrainedraise ValueError(
ValueError: Loading /home/wws/ChatGLM-6B/chatglm_6b_int4 requires you to execute the configuration file in that repo on your local machine. Make sure you have read the code there to avoid malicious use, then set the option `trust_remote_code=True` to remove this error.

解决办法： 设置trust_remote_code=True就可以

CPU 占用过高的或者GPU显存不够都可能被killed 掉

量化模型加载方式

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).quantize(8).half().cuda()

应该改成

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().quantize(8).cuda()

更省显存

局限性

由于ChatGLM-6B的小规模，其能力仍然有许多局限性。以下是目前发现的一些问题：

  • 模型容量较小：6B的小容量，决定了其相对较弱的模型记忆和语言能力。在面对许多事实性知识任务时，ChatGLM-6B可能会生成不正确的信息；它也不擅长逻辑类问题（如数学、编程）的解答。
  • 产生有害说明或有偏见的内容：ChatGLM-6B只是一个初步与人类意图对齐的语言模型，可能会生成有害、有偏见的内容。（内容可能具有冒犯性，此处不展示）
  • 英文能力不足：ChatGLM-6B 训练时使用的指示/回答大部分都是中文的，仅有极小一部分英文内容。因此，如果输入英文指示，回复的质量远不如中文，甚至与中文指示下的内容矛盾，并且出现中英夹杂的情况。
  • 易被误导，对话能力较弱：ChatGLM-6B 对话能力还比较弱，而且 “自我认知” 存在问题，并很容易被误导并产生错误的言论。例如当前版本的模型在被误导的情况下，会在自我认知上发生偏差。

不过 GLM 团队也坦言，整体来说 ChatGLM 距离国际顶尖大模型研究和产品（比如 OpenAI 的 ChatGPT 及下一代 GPT 模型）还存在一定的差距。该团队表示，将持续研发并开源更新版本的 ChatGLM 和相关模型。“欢迎大家下载 ChatGLM-6B，基于它进行研究和（非商用）应用开发。GLM 团队希望能和开源社区研究者和开发者一起，推动大模型研究和应用在中国的发展。”

参考

THUDM/ChatGLM-6B
ChatGLM-Tuning
ptuning/README.md
LLMs入门实战篇（二）——清华大学开源中文版ChatGLM-6B模型微调实战
ChatGLM-6B (介绍相关概念、基础环境搭建及部署)
学习实践ChatGLM-6B（部署+运行+微调）
LLMs九层妖塔（第一层 ChatGLM-6B）——ChatGLM-6B模型初体验
LLMs九层妖塔——第一层 ChatGLM学习实战-闯关笔记
torch install
试用宝典-阿里云开发者社区-云计算-阿里云 (aliyun.com)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/33303.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

告别至暗时刻，高端与全系列手机市场前景可期

告别至暗时刻，高端与全系列手机市场前景可期

作者|落笔 近年来&#xff0c;智能手机用户换机周期持续拉长&#xff0c;市场出货量逐年走低&#xff0c;IDC数据显示&#xff0c;2022年全年中国智能手机市场出货量约2.86亿台&#xff0c;同比下降13.2%&#xff0c;创有史以来最大降幅&#xff0c;全球智能手机发展已进入成熟…
阅读更多...
【智能座舱】— 看上海车展，高端品牌变局，时代变天早开始，40项智能化创新技术解密~

【智能座舱】— 看上海车展，高端品牌变局，时代变天早开始，40项智能化创新技术解密~

大家好，欢迎阅读本期文章，我们将带您解读一份极具实用价值的汽车研究报告。本期将聚焦于2023年上海车展，解密未来座舱发展技术脉络 在本期文章中，我们将深度探讨这些前沿技术的应用，为您呈现未来汽车的全景图。我们相信，这将有助于您更加准确地选择适合自己的新能源汽车…
阅读更多...
2023年，产业互联网八大趋势

2023年，产业互联网八大趋势

从全世界的TO B发展线来看&#xff0c;中国的TO B企业不是脚步最快的&#xff0c;但它们却也正在通过汲取中国数字经济高速发展的养料不断成长&#xff0c;同时主动下沉&#xff0c;成为新的产业数字化的底盘&#xff0c;做撑举起未来数字中国的无名力量。 作者|皮爷 出品|…
阅读更多...
同样是做大模型的科技公司，为啥差距这么大呢？

同样是做大模型的科技公司，为啥差距这么大呢？

2022年OpenAI亏了30多亿元&#xff0c; 站在风口上&#xff0c;谁的压力会小呢&#xff1f; 【科技明说 &#xff5c; 每日看点】站在风口上。OpenAI公司在2022年亏得十分“灿烂”&#xff0c;和往年同比几乎翻了一倍&#xff0c;亏损约达5.4亿美元&#xff0c;折合人民币约31…
阅读更多...
AI无处不在，科技改变生活：开放原子全球开源峰会参会感悟

AI无处不在，科技改变生活：开放原子全球开源峰会参会感悟

目录 前言 英特尔的开源之路 拥抱人工智能 AIGC的浪潮之巅 全链路AI解决方案 极致性能优化 结束语 前言 2023年开放原子全球开源峰会 目前中国源代码贡献量已达到世界第二&#xff0c;开源软件开发者数量也已突破800万&#xff0c;居全球第二。在众多开发者的关注下&…
阅读更多...
辞旧送吉虎，迎新接玉兔，祝大家新年快乐！

辞旧送吉虎，迎新接玉兔，祝大家新年快乐！

2022这一页即将翻过去&#xff0c; 成长路上几多收获几多欢喜&#xff0c; 2023年&#xff0c; 让记忆不再流浪&#xff0c; 让快乐不再孤单&#xff0c; 让梦想不再迷茫&#xff0c; 让脸上带着笑颜&#xff0c; 开启新的航向。
阅读更多...
手写春联，欢迎体验

手写春联，欢迎体验

https://cl.xugaoyi.com/
阅读更多...
简笔画

简笔画

原文件参见 链接: https://pan.baidu.com/s/1qt47CmWs7xtxuGuzDrzwdg 提取码: 18ra 复制这段内容后打开百度网盘手机App&#xff0c;操作更方便哦
阅读更多...
各式各样的简笔画

各式各样的简笔画

闲来无事收集了大量的简笔画&#xff0c;还做了个网站。 简笔画是一种简约、易学的画画方式&#xff0c;非常适合初学者和爱好者。但是&#xff0c;很多时候我们可能需要一些参考图来练习&#xff0c;比如我们需要画一只猫&#xff0c;但是我们并不知道该怎么下笔&#xff0c;…
阅读更多...
小程序使用Painter生成海报

小程序使用Painter生成海报

文档 js源码 https://pan.baidu.com/s/10os-vr0mWsBwx08oXK2caQ 提取码: y1tw我是直接下载github源码放到项目组件中 {"usingComponents": {"painter": "../../component/painter/painter"} }注意踩过的坑&#xff1a;下面painter 这行代码放在…
阅读更多...
端午送祝福语小程序源码

端午送祝福语小程序源码

端午即将来临&#xff0c;端午节&#xff0c;又称端阳节、龙舟节、重五节、天中节等&#xff0c;是集拜神祭祖、祈福辟邪、欢庆娱乐和饮食为一体的民俗大节。是我国四大传统节日之一。 今天给大家奉上一款小程序&#xff0c;端午节送祝福的&#xff0c;只有前端页面&#xff0…
阅读更多...
程序员写的春联你见过吗

程序员写的春联你见过吗

小年已经来到&#xff0c;春节还会远吗&#xff1f; 那么&#xff0c;什么最能代表春节的仪式感呢&#xff1f; 那自然就是家家户户门上的对联&#xff0c;大街小巷的红灯笼。 那作为一名程序员&#xff0c;怎么能不发挥自己的特长来发扬中国传统文化呢。 先来一幅程序员写的…
阅读更多...
微信小程序绘制海报

微信小程序绘制海报

前言 实现海报&#xff1f;你想到的应该是html2canvas吧&#xff0c;但&#xff0c;这里是小程序&#xff0c;好像并不通用。只能用canvas一笔一划去描述了吗&#xff1f;答案肯定是不对的&#xff0c;今天介绍一个Painter插件&#xff0c;它可以帮助你快速完成小程序上的海报…
阅读更多...
科研人员和各科老师写的学科春联新鲜出炉，祝您和家人“牛年快乐”！

科研人员和各科老师写的学科春联新鲜出炉，祝您和家人“牛年快乐”！

本文来源&#xff1a;好教师和口袋科研 给各位科研人员的对联&#xff1a;愿成为祝新的一年&#xff0c;多发paper&#xff0c;少掉头发、申基金、评职称两开花&#xff01; 上联&#xff1a;自然科学基金权当寒假作业&#xff0c;莫说科研知音少 下联&#xff1a;重点研发计划…
阅读更多...
案例：写春联

案例：写春联

案例&#xff1a;写春联 编程代码 import turtleturtle.Screen().bgcolor("#ffc373") # 设置背景颜色为#ffc373&#xff0c;一种黄色。 color_word "black" # 设置书法的颜色为black。 color_paper "#ea182a" # 设置红纸的颜色为#ea182a横…
阅读更多...
喜鹊招牌体-喜鹊造字喜鹊字体

喜鹊招牌体-喜鹊造字喜鹊字体

喜鹊万人造字体.ttf 喜鹊乌冬面(简 繁体).ttf 喜鹊乐敦体.ttf 喜鹊古字典体(简 繁体).ttf 喜鹊古风小楷(简繁).ttf 喜鹊在山林体&#xff08;简 繁体&#xff09;.OTF 喜鹊小轻松体.TTF 喜鹊招牌体(简 繁体).ttf 喜鹊木叶体(简 繁体).ttf 喜鹊梅花楷体(简 繁体).ttf 喜鹊燕书体…
阅读更多...
用canvas绘制微信小程序海报页面并保存相册-适用微信原生

用canvas绘制微信小程序海报页面并保存相册-适用微信原生

微信小程序绘制海报并保存相册 tip&#xff1a;代码中使用的是uni的api 如果使用原生微信小程序开发&#xff0c;可以把uni更换成wx使用 文章目录 微信小程序绘制海报并保存相册前言一、分析需求二、准备数据三、编码开始html部分解析&#xff1a; js部分1、准备好数据后开始绘…
阅读更多...
火爆的AI绘画+红包封面+春联+节日头像+创作者入驻小程序源码

火爆的AI绘画+红包封面+春联+节日头像+创作者入驻小程序源码

2023年新年&#xff0c;红包封面皮肤在前几年一直都很火爆&#xff0c;每次过年过节&#xff0c;几乎家家都会互发红包进行庆祝贺岁&#xff0c;这个时候一个简单的红包封面就会显得多么的与众不同。 Ai文字绘画&#xff0c;&#xff0c;&#xff0c; 红包封面领取 小程序 …
阅读更多...
ChatGPT死活不认27能被3整除，网友：不是说AI要统治世界了吗？

ChatGPT死活不认27能被3整除，网友：不是说AI要统治世界了吗？

Alex 羿阁 发自 凹非寺量子位 | 公众号 QbitAI 让众人疯狂的网红AI ChatGPT&#xff0c;原来也有明显的短板&#xff1f; 一段“网友调教这只AI”的聊天记录&#xff0c;在网上传开了。 可以看到&#xff0c;AI起初居然说27是个质数。 在网友向其提出质疑后&#xff0c;AI仍嘴硬…
阅读更多...
OpenAI 重磅更新 变得更强啦 | 包括更多可控的 API 模型、函数调用能力、更长的上下文和更低的价格

OpenAI 重磅更新 变得更强啦 | 包括更多可控的 API 模型、函数调用能力、更长的上下文和更低的价格

文章目录 一、前言二、主要内容三、总结 &#x1f349; CSDN 叶庭云&#xff1a;https://yetingyun.blog.csdn.net/ 一、前言 OpenAI 官网&#xff1a;https://openai.com/blog/function-calling-and-other-api-updates 功能调用和其他 API 更新。OpenAI 宣布更新&#xff0c;包…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023