python调用Gemini大模型方法详解（程序及示例效果）

最新推荐文章于 2024-04-24 13:35:29 发布
最新推荐文章于 2024-04-24 13:35:29 发布
阅读量4k 收藏 28
点赞数 18
分类专栏： 大模型 AIGC chatgpt 文章标签： gemini geminipro vision python 大模型
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/suiyingy/article/details/135162051
版权
AIGC 同时被 3 个专栏收录
15 篇文章 28 订阅
订阅专栏
chatgpt
11 篇文章 38 订阅
订阅专栏
大模型
7 篇文章 0 订阅
订阅专栏

        谷歌Google于12月初正式发布了Gemini大模型，与GPT3.5、GPT4达到了相近效果。除了文本生成之外，Gemini还支持输入图片并进行理解，下文将详细介绍调用方式。当前阶段，Gemini应该有300刀的免费额度，有效期为3个月。每分钟调用次数为60次，而OpenAI免费GPT3.5的限制为每分钟3次。文末将给出Gemini key及其模型技术交流群。

1 GeminiPro

        GeminiPro模型的输入文本，输出也为文本。详细如下所示。

        我们可以看到输入支持将近32K个token，并且一个token大约相当于4个字符。

1.1 非stream输出

        示例程序如下所示。

import json
import requests
# 非stream方式
def test_gemini_no_stream(apikey, text):
    url = f'https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:generateContent?key={apikey}'
    headers = {'Content-Type': 'application/json'}
    data = {
        'contents': [
            {
                'parts': [
                    {
                        'text': text
                        }
                    ]
                }
            ]
        }

    response = requests.post(url, headers=headers, data=json.dumps(data))
    # print(response.json())
    print(response.json()['candidates'][0]['content']['parts'][0]['text'])
if __name__ == '__main__':
    apikey = 'xxx'
    text   = 'say hello'
    print('test_gemini_no_stream(apikey, text):')
    test_gemini_no_stream(apikey, text)

        输出结果为：

test_gemini_no_stream(apikey, text):
Hello there! How are you doing today?

1.2 google-generativeai非stream输出

        上面直接通过requests访问api，这里将使用Google的Python库进行调用。首先需要通过下面命令安装google-generativeai。

pip install -U google-generativeai

        注意事项：Python版本需至少为3.9，google-generativeai版本为0.3.1。

        示例程序如下所示。

import google.generativeai as genai

def genai_no_stream(apikey, text):
    genai.configure(api_key=apikey)
    # 支持的模型列表
    # for m in genai.list_models():
    #     if 'generateContent' in m.supported_generation_methods:
    #         print(m.name)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content("how are you")
    print(response.text)

        输出结果为：

genai_no_stream(apikey, text):
I am a large language model, trained by Google.

1.3 google-generativeai stream输出

        流式输出只需将generate_content的stream设置为True即可，示例程序如下所示。

# text = '请介绍人工智能发展历史'
def genai_stream(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content(text, stream=True)
    for chunk in response:
        print(chunk.text, end='', flush=True)

        输出结果如下

**人工智能发展史**

* **1940年代：**诞生
    * 1943年，沃伦·麦卡洛克和沃尔特·皮茨提出神经网络模型。
    * 1949年，艾伦·图灵提出图灵检测，用以判断机器是否具有智能。
* **1950年代：**发展
    * 1950年，艾伦·纽厄尔和克利福德·肖提出逻辑理论家程序，该程序能够证明定理。
    * 1952年，阿瑟·塞缪尔发明会下棋的程序。
    * 1956年，约翰·麦卡锡在达特茅斯学院举办了世界上第一次人工智能研讨会，人工智能一词正式诞生。
* **1960年代：**突破
    * 1965年，拉斐尔·内尔逊提出通用问题求解器，该程序能够解决各种各样的问题。
    * 1966年，弗兰克·罗森布拉特发明感知机，该机器能够识别手写数字。
    * 1969年，马文·明斯基和西摩尔·帕帕特出版《感知机》，该书对感知机进行了详细的阐述。
* **1970年代：**停滞
    * 1973年，马文·明斯基和西摩尔·帕帕特出版《人工智能框架》，该书对人工智能进行了全面的概述。
    * 1974年，罗杰·香克斯和罗伯特·阿贝尔森提出脚本理论，该理论认为人们的行为是基于存储在记忆中的脚本。
    * 1979年，爱德华·菲根鲍姆和朱丽叶·费根鲍姆出版《人工智能专家系统》，该书对专家系统进行了详细的阐述。
* **1980年代：**复兴
    * 1980年，约翰·霍普菲尔德提出霍普菲尔德网络，该网络能够存储和检索信息。
    * 1982年，特伦斯·塞诺夫斯基和杰弗里· Hinton提出多层感知器，该网络能够学习和识别模式。
    * 1986年，戴维·鲁梅尔哈特和杰弗里· Hinton出版《并行分布式处理：探索大脑的计算》，该书对并行分布式处理进行了详细的阐述。
* **1990年代：**爆发
    * 1997年，IBM的深蓝战胜了世界象棋冠军加里·卡斯帕罗夫。
    * 1997年，杨立昆等人提出卷积神经网络，该网络能够识别图像。
    * 1998年，吴恩达等人提出长短期记忆网络，该网络能够学习和记忆长时间序列的数据。
* **2000年代：**深化
    * 2006年，杰弗里· Hinton等人提出深度信念网络，该网络能够学习和识别复杂的数据。
    * 2012年，安德鲁·恩等人提出卷积神经网络，该网络能够识别图像。
    * 2015年，谷歌的阿尔法狗战胜了世界围棋冠军李世石。
* **2010年代：**应用
    * 2016年，谷歌的阿尔法狗战胜了世界象棋冠军李世石。
    * 2017年，百度的人工智能围棋程序AlphaGo Zero战胜了阿尔法狗。
    * 2018年，谷歌的 Duplex 人工智能助手能够与人类进行自然的对话。
    * 2019年，OpenAI 的 GPT-3 人工智能语言模型能够生成类似人类的文本。

人工智能的发展日新月异，未来人工智能将对人类社会产生深远的影响。

        可以看到，其输出默认为MarkDown格式。

1.4 chat模式

        使用chat模式可以自动获取上下文。示例程序如下所示。

def genai_chat(apikey, text):
    genai.configure(api_key=apikey)
    # 历史消息，必须为偶数
    messages = [
    {'role':'user',
     'parts': ["请将我接下来的任何输入都直接翻译成中文即可。"]},
    {'role':'model',
     'parts': ["好的。我接下来将任何输入都直接翻译成中文"]}
    ]
    model = genai.GenerativeModel('gemini-pro')
    chat = model.start_chat(history=messages)
    response = chat.send_message(text)
    print(response.text)

        输出结果如下：

电脑就像一个聪明的机器人，可以帮助我们做很多事情。它里面有很多小零件，比如处理器、内存、硬盘、显卡等等。处理器就像电脑的大脑，负责处理信息和计算。内存就像电脑的短期记忆，可以临时存储信息。硬盘就像电脑的长期记忆，可以永久存储信息。显卡负责处理图形和图像。

当我们使用电脑时，我们通过键盘、鼠标或触摸屏等输入设备将信息输入到电脑中。电脑会将这些信息发送给处理器，由处理器进行处理和计算。处理后的结果会存储在内存中，或者永久存储在硬盘中。如果我们想看到处理结果，电脑会将它们发送给显示器或打印机等输出设备，这样我们就可以看到或打印出结果了。

电脑还可以连接到互联网，这样我们就可以与世界各地的其他人交流信息和数据。

        虽然上述程序可以加入历史消息，但是并不能模拟出OpenAI GPT api的system参数或GPTs功能。Gemini没有system这个角色。在获取上下文时，messages里的model信息正常情况下是由Gemini生成的。这里想人为进行设计的，似乎达不到想要的功能，但并不是说chat模式有问题，而是历史消息中的model信息没有正确设置为Gemini生成的内容。正常示例程序如下所示。

model = genai.GenerativeModel('gemini-pro')
chat = model.start_chat(history=[])
response = chat.send_message("In one sentence, explain how a computer works to a young child.")
print(chat.history)
response = chat.send_message("Okay, how about a more detailed explanation to a high schooler?", stream=True)

for chunk in response:
  print(chunk.text)
  print("_"*80)

1.5 多轮对话

        示例程序如下：

def genai_multi_turn(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    messages = [
        {'role':'user',
        'parts': ["请将我接下来的任何输入都直接翻译成中文即可。"]},
        {'role':'model',
        'parts': ["好的。我接下来将任何输入都直接翻译成中文"]},
        {'role':'user',
        'parts': [text]}
    ]
    response = model.generate_content(messages)
    print(response.text)

        输出结果如下：

电脑就像一个聪明的机器人，它能帮助我们做很多事情。电脑里面有很多零件，就像人有大脑、心脏、手脚一样。电脑的大脑叫中央处理器，它负责处理信息。电脑的心脏叫内存，它负责存储信息。电脑的手脚叫输入输出设备，它们负责与我们交流。

当我们使用电脑时，我们会通过键盘或鼠标把信息输入到电脑里。电脑的大脑会处理这些信息，然后把结果通过显示器或打印机等输出设备显示出来。

电脑还可以存储信息，就像我们的大脑可以记住事情一样。我们可以把照片、音乐、文件等信息存储在电脑里，以后需要的时候随时可以调出来。

电脑还可以帮助我们做很多有趣的事情，比如玩游戏、看电影、听音乐等。它就像一个神奇的工具，可以帮助我们学习、工作和娱乐。

        效果同上文的chat模式，正确用法为：

model = genai.GenerativeModel('gemini-pro')
messages = [
    {'role':'user',
     'parts': ["Briefly explain how a computer works to a young child."]}
]
response = model.generate_content(messages)
messages.append({'role':'model',
                 'parts':[response.text]})
messages.append({'role':'user',
                 'parts':["Okay, how about a more detailed explanation to a high school student?"]})
response = model.generate_content(messages)
print(response.text)

1.6 system或GPTs

        以上通过多轮对话来实现system或GPTs并没有获得成功，最好直接指定任务，如下所示。

def genai_system(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content("请将下面内容翻译成中文。\nBriefly explain how a computer works to a young child.")
    print(response.text)

        输出结果如下：

genai_system(apikey, text):
简单地向一个孩子解释电脑的工作原理。

2 Gemini Pro Vision

        Gemini Pro Vision支持对图片的理解，详细参数如下所示。

        下载示例图片：

curl -o image.jpg https://t0.gstatic.com/licensed-image?q=tbn:ANd9GcQ_Kevbk21QBRy-PgB4kQpS79brbmmEG7m3VOTShAn4PecDU5H5UxrJxE3Dw1JiaG17V88QIol19-3TM2wCHw

        示例程序如下所示：

def gemini_pro_vision(apikey, text, image_path):
    import PIL.Image
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro-vision')
    img = PIL.Image.open(image_path)
    response = model.generate_content([text, img], stream=True)
    response.resolve()
    print(response.text)

        输出如下所示。

 今天分享一道超级简单的快手便当，上班族和学生党都非常适合哦！
所需食材：鸡胸肉、西兰花、胡萝卜、米饭。
制作步骤：
1. 鸡胸肉切小块，用料酒、生抽、黑胡椒粉腌制15分钟。
2. 西兰花和胡萝卜焯水备用。
3. 米饭蒸熟。
4. 锅中热油，放入腌制好的鸡胸肉翻炒至变色。
5. 加入西兰花和胡萝卜，翻炒均匀。
6. 加入米饭，翻炒均匀即可。
这道快手便当就做好啦，是不是超级简单？赶紧动手试试吧！

        图片的理解（或者图片内容提取）可以与GeminiPro或者GPT进行结合实现更多应用。

3 模型配置

        Gemini也有与常规LLM或GPT相类似的配置方式，示例程序如下所示。

def genai_config(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content(
    text,
    generation_config=genai.types.GenerationConfig(
        # Only one candidate for now.
        candidate_count=1,
        stop_sequences=['x'],
        max_output_tokens=20,
        temperature=1.0)
    )
    print(response.text)

4 全部完整示例程序 

import json
import requests
# 非stream方式
def test_gemini_no_stream(apikey, text):
    url = f'https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:generateContent?key={apikey}'
    headers = {'Content-Type': 'application/json'}
    data = {
        'contents': [
            {
                'parts': [
                    {
                        'text': text
                        }
                    ]
                }
            ]
        }

    response = requests.post(url, headers=headers, data=json.dumps(data))
    # print(response.json())
    print(response.json()['candidates'][0]['content']['parts'][0]['text'])


import google.generativeai as genai

def genai_no_stream(apikey, text):
    genai.configure(api_key=apikey)
    # 支持的模型列表
    # for m in genai.list_models():
    #     if 'generateContent' in m.supported_generation_methods:
    #         print(m.name)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content("how are you")
    print(response.text)

def genai_stream(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content(text, stream=True)
    for chunk in response:
        print(chunk.text, end='', flush=True)

def genai_chat(apikey, text):
    genai.configure(api_key=apikey)
    # 历史消息，必须为偶数
    messages = [
    {'role':'user',
     'parts': ["请将我接下来的任何输入都直接翻译成中文即可。"]},
    {'role':'model',
     'parts': ["好的。我接下来将任何输入都直接翻译成中文"]}
    ]
    model = genai.GenerativeModel('gemini-pro')
    chat = model.start_chat(history=messages)
    response = chat.send_message(text)
    print(response.text)

def genai_multi_turn(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    messages = [
        {'role':'user',
        'parts': ["请将我接下来的任何输入都直接翻译成中文即可。"]},
        {'role':'model',
        'parts': ["好的。我接下来将任何输入都直接翻译成中文"]},
        {'role':'user',
        'parts': [text]}
    ]
    response = model.generate_content(messages)
    print(response.text)

def genai_system(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content("请将下面内容翻译成中文。\nBriefly explain how a computer works to a young child.")
    print(response.text)

def gemini_pro_vision(apikey, text, image_path):
    import PIL.Image
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro-vision')
    img = PIL.Image.open(image_path)
    response = model.generate_content([text, img], stream=True)
    response.resolve()
    print(response.text)

def genai_config(apikey, text):
    genai.configure(api_key=apikey)
    model = genai.GenerativeModel('gemini-pro')
    response = model.generate_content(
    text,
    generation_config=genai.types.GenerationConfig(
        # Only one candidate for now.
        candidate_count=1,
        stop_sequences=['x'],
        max_output_tokens=20,
        temperature=1.0)
    )
    print(response.text)


if __name__ == '__main__':
    apikey = 'xxx'
    text   = 'say hello'
    # print('test_gemini_no_stream(apikey, text):')
    # test_gemini_no_stream(apikey, text)

    # print('genai_no_stream(apikey, text):')
    # genai_no_stream(apikey, text)

    # print('genai_stream(apikey, text):')
    # genai_stream(apikey, text='请介绍人工智能发展历史')
    
    # print('genai_chat(apikey, text):')
    # genai_chat(apikey, text='Briefly explain how a computer works to a young child.')

    # print('genai_chat(apikey, text):')
    # genai_multi_turn(apikey, text='Briefly explain how a computer works to a young child.')

    # print('genai_system(apikey, text):')
    # genai_system(apikey, text='请将下面内容翻译成中文。\nBriefly explain how a computer works to a young child.')

    # print('gemini-pro-vision(apikey, text, image_path):')
    # gemini_pro_vision(apikey, text='请基于图片中内容写一篇小红书文案。', image_path='image.jpg')

    print('genai_config(apikey, text)')
    genai_config(apikey, text='say hello.')

5 技术知识交流

Coding的叶子
关注
  • 18
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
基于python，企业微信交互的机器人系统，可接入 GPT、Gemini 等大语言模型
02-26
一个基于Python的企业微信机器人，能够接入GPT、Gemini等大型语言模型。默认配置为Gemini-Pro，它可以帮助企业自动化处理信息，提供智能回复等功能。 特性 自动回复消息 接入多种大语言模型 支持自定义消息处理逻辑 基于企业微信应用API SLA99.99999999999% 使用环境 Python 3.9+ 企业微信管理员 Python 确保你已经安装了Python环境，然后执行以下命令来安装AI WeWork Robot： git clone https://github.com/taiyi747/WeWork-Robot.git cd WeWork-Robot pip3 install -r requirements.txt 编辑config.py sToken = 对应上面保存的Token sEncodingAESKey = 对应上面保存的EncodingAESKey sCorpID = 对应企业微信管理后台——我的企业下面的企业ID sCorpsecret= 对应应用的secret gemini_key = 从谷歌获取的key 保存，启动程序
gemini-python：Gemini API和Websocket的python客户端
01-31
双子蟒 Gemini API和Websocket的python客户端 入门 安装 pip install gemini_python 公共客户 该终结点不需要api键，并且可以在没有Gemini帐户的情况下使用。 该自述文件将记录该类的一些方法和功能。 import gemini r = gemini . PublicClient () # Alternatively, for a sandbox environment, set sandbox=True r = gemini . PublicClient ( sandbox = True ) PublicClient方法 r . symbols () r . get_ticker ( "BTCUSD" ) r . get_current_order_book ( "BTCUSD" ) # Will get the latest 500 trades r . get_trade_history ( "BTCUSD" ) # Alternatively, it can be specified for a specific da
如何调用谷歌大模型Gemini
weixin_40090689的博客
01-05 561
打开网页ai.google.dev。目前只提供Pro版本。Pro版本目前免费使用。
Google AI （Gemini）接入指南
子洋 Blog
02-26 1850
Google 在 2023 年发布的 Gemini 人工智能模型旨在实现真正的通用人工智能。作为一个多模态模型，Gemini 能够跨多种模态无缝对话并提供最佳响应。它是 Google 迄今为止打造的最大、最强大的模型，能够理解我们周围的世界，处理各种类型的输入和输出，不仅限于文本，还涵盖代码、音频、图像和视频。在测试中，Gemini的性能在许多方面匹及甚至超越领域专家。：用于处理高度复杂的任务。Gemini Pro：适用于广泛的任务。：特别为设备端任务设计。
基于大模型的知识问答系统全面总结(附 Python 完整代码）
机器学习社区
11-27 903
本次比赛要求参赛选手以ChatGLM2-6B模型为中心制作一个财务问答系统，回答用户的金融相关的问题，不允许使用其他的大语言模型。参赛选手可以使用其他公开访问的外部数据来微调模型，也可以使用向量数据库等技术。
Gemini API：Python 快速入门 文档
02-19 574
您只需要访问器即可。要显示格式化的 Markdown 文本，请使用以下。安装Python SDK。设置您的 API 密钥。
在Google Colab中调用Gemini的API实现智能问答
henanlion的博客
01-01 1206
Google终于放出大招，在2023年12月6日正式推出规模最大、功能最强大的人工智能模型Gemini，对标ChatGPT，甚至有要赶超ChatGPT-4.0的节奏。相比之前的Bard，Gemini的文本理解能力、图片识别能力和语义抽取能力大大增强，可以进行复杂深入的推理分析，精确的文本信息抽取，细节入微的理解判断，将有助于用户在文本生成、智能问答、科学研究等领域实现历史性的突破。更为重要的是Google随后开放了免费Gemini的API的申请，大家可以通过以下网站轻松申请到免费的API。
python 大模型处理的常见问答，知识蒸馏，数据增强，大模型funtuning，大模型训练
L_goodboy的博客
06-28 1357
python 大模型处理的常见问答，知识蒸馏，数据增强，大模型funtuning，大模型训练；
Python大模型TensorFlow/PyTorch/Scikit-learn/Keras/OpenCV/Gensim
captain
12-11 646
以上是一些常见的 Python 大模型的优势、劣势和使用场景，但这只是冰山一角。Python 正在被越来越多的数据科学家、研究人员和开发人员使用，因此有许多其他的大型模型和库可用于各种任务。Python 作为一种高级编程语言，可以用于开发各种大小的模型。
python基于预训练大模型权重实现文本向量化开发构建微博评论数据情感极向识别模型
Together_CZ的博客
06-27 681
python基于预训练大模型权重实现文本向量化开发构建微博评论数据情感极向识别模型
【大模型应用开发教程】03_调用大模型 API
KEEP的博客
10-24 3873
LangChain 为基于 LLM 开发自定义应用提供了高效的开发框架，便于开发者迅速地激发 LLM 的强大能力，搭建 LLM 应用。LangChain 也同样支持多种大模型，内置了 OpenAI、LLAMA 等大模型的调用接口。但是，LangChain 并没有内置所有大模型，它通过允许用户自定义 LLM 类型，来提供强大的可扩展性。在本部分，我们以百度文心大模型为例，讲述如何基于 LangChain 自定义 LLM，让我们基于 LangChain 搭建的应用能够支持百度文心、讯飞星火等国内大模型。
Python库 | gemini_python-0.2.0-py3-none-any.whl
02-24
python库。 资源全名：gemini_python-0.2.0-py3-none-any.whl
技术揭秘大众点评大规模并行AB测试框架Gemini
01-30
互联网行业朝夕万变，产品和决策都需要快速得到用户反馈的数据去迭代更新，所以AB测试在互联网公司中就显得非常重要，日前，大众点评负责AB测试框架的架构师樊聪分享了该公司此系统的原理、架构和设计思路。...
GNIRSLongSlit：Python 2.7代码可减少来自Gemini-NGNIRS的Longslit数据
02-22
GNIRSLongSlit Python 2.7代码可减少来自Gemini-N / GNIRS的长缝数据该代码已通过111 / mm光栅的X和J波段光谱进行了测试
Ansible 指定受控端使用Python的版本
shijin741231的博客
04-20 597
最近在装Ansible，有一台受控端Ubuntu16的服务器，安装了Python2.7.12和Pyhon3.5。当用Ansible连接它时，显示使用的是Python3.5。最后看文档，发现Ansible可以在hosts的文件中指定受控服上运行的Python。
深度学习基础：循环神经网络中的Dropout
weixin_39753819的博客
04-24 427
Dropout是一种用于深度学习模型的正则化技术，旨在减少模型的过拟合。它的基本思想是在训练过程中，随机地将一部分神经元的输出置为零，从而减少神经元之间的相互依赖关系，降低模型对特定神经元的依赖性，提高模型的泛化能力。本文介绍了Dropout在深度学习中的基本概念和原理，以及在循环神经网络中如何使用Dropout来解决过拟合问题。通过一个简单的Python示例，我们演示了如何在PyTorch中实现带有Dropout的循环神经网络，并观察了训练过程中的损失变化。
[python3] 读取一个正在更新的日志文件
最新发布
言之。
04-24 238
等同于–follow=name --retry，根据文件名进行追踪，并保持重试，即该文件被删除或改名后，如果再次创建相同的文件名，会继续追踪。这两种方法都会持续监听日志文件的变化，并实时读取新增的日志内容。你可以根据实际需求选择其中一种方法。要读取一个正在更新的日志文件（即实时写入的日志文件），你可以使用 Python 的。的技巧来实现实时读取。函数打开文件，并使用。
python requests几点代理相关
i_9420的博客
04-19 528
1，很多人，包括我，应该只知道requests默认只是支持http代理，有没密码验证都一样。但是，其实呢，最新的requests已经支持 sock5 代理了，也支持密码认证；3，另外，request 现在可以使用all 参数，指定代理的所有类型，不需要像上面的那样，每个类型都指定一次。2，如果要让requests支持 sock5代理，需要导入第三方库，是不是越来越方便了呢。
【算法设计与分析】最近点对问题蛮力法破解及可视化绘图显示
FellAveal的博客
04-20 1136
难点在于多线程的学习以及可视化的操作，由于对Python的多线程不熟悉，多少也走了一些弯路。其中关键部分是通过线程间通讯传递所要可视化展示的点和连线。本文针对本课程内容上机实验一进行预习，通过python的matplotlib库提供一个可能的可视化显示代码运算的方式。（很明显是因为Python画图方便才使用的，算法还是建议用C/C++来进行实现）蛮力法的代码实现很简单，遍历数对，找到最近的点。文尽于此，本文使用Markdown编辑。由于之前便已经发觉到了。Python画图的优势。正在计算的两个点的序号。
AI大模型Gemini
12-13
Gemini是一种基于Transformer的自然语言处理模型，由微软公司于2021年提出。它是目前为止最大的AI模型之一，拥有8.3亿个参数。Gemini的目标是提高自然语言处理任务的性能，例如问答、文本分类和语言生成等任务。它在多个自然语言处理基准测试中都取得了最先进的结果。 Gemini的主要特点是使用了一种新的训练方法，称为“分层训练”。这种方法将模型分成多个子模型，每个子模型都专门处理不同的任务。这些子模型可以同时训练，从而提高了训练效率。此外，Gemini还使用了一种新的自适应学习率调整方法，可以更好地平衡不同层之间的学习率。 以下是使用Gemini进行文本分类的示例代码： ```python import torch from transformers import GeminiTokenizer, GeminiForSequenceClassification # 加载模型和分词器 tokenizer = GeminiTokenizer.from_pretrained('microsoft/Gemini-L') model = GeminiForSequenceClassification.from_pretrained('microsoft/Gemini-L') # 准备输入文本 text = "This is a positive sentence." # 分词并转换为模型输入格式 inputs = tokenizer(text, return_tensors='pt') labels = torch.tensor([1]).unsqueeze(0) # 此处为示例，实际标签需要根据具体任务确定 # 运行模型 outputs = model(**inputs, labels=labels) # 输出预测结果 print(outputs.logits) # 此处为示例，实际输出需要根据具体任务确定 ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Coding的叶子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值