Skip to content

README.md

Latest commit

 

History

History
134 lines (94 loc) · 4.9 KB

README.md

File metadata and controls

134 lines (94 loc) · 4.9 KB
Raw

Paggamit ng Phi-4-mini-mm para gumawa ng code

Pinapalawig ng Phi-4-mini ang malakas na kakayahan sa pag-coding ng Phi Family. Maaari mong gamitin ang Prompt para magtanong tungkol sa coding. Siyempre, dahil nadagdagan ito ng matibay na kakayahan sa pangangatwiran, mas malakas ang kakayahan nitong gumawa ng code, tulad ng pagbuo ng mga proyekto ayon sa mga pangangailangan. Halimbawa, gumawa ng mga proyekto ayon sa mga pangangailangan, tulad ng:

Pangangailangan

Gumawa ng Shopping Cart App

  • Gumawa ng API Rest na may mga sumusunod na metodo:
    • Kunin ang listahan ng mga beer gamit ang page offset at limit.
    • Kunin ang detalye ng beer ayon sa id.
    • Maghanap ng beer ayon sa pangalan, deskripsyon, tagline, food pairings, at presyo.
  • Gumawa ng listahan ng mga produkto sa pangunahing pahina.
    • Gumawa ng search bar para i-filter ang mga produkto.
    • Mag-navigate sa pahina ng deskripsyon kapag nag-click ang user sa isang produkto.
  • (Opsyonal) Slicer para i-filter ang mga produkto ayon sa presyo.
  • Gumawa ng shopping cart.
    • Magdagdag ng mga produkto sa cart.
    • Mag-alis ng mga produkto mula sa cart.
    • Kalkulahin ang kabuuang presyo ng mga produkto sa cart.

Halimbawang Code - Python

import requests
import torch
from PIL import Image
import soundfile
from transformers import AutoModelForCausalLM, AutoProcessor, GenerationConfig,pipeline,AutoTokenizer

model_path = 'Your Phi-4-mini-mm-instruct'

kwargs = {}
kwargs['torch_dtype'] = torch.bfloat16

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    torch_dtype='auto',
    _attn_implementation='flash_attention_2',
).cuda()

generation_config = GenerationConfig.from_pretrained(model_path, 'generation_config.json')

user_prompt = '<|user|>'
assistant_prompt = '<|assistant|>'
prompt_suffix = '<|end|>'

requirement = """

Create a Shopping Cart App

- Create an API Rest with the following methods:
    - Get a list of beers using page offset and limit.
    - Get beer details by id.
    - Search for beer by name, description, tagline, food pairings, and price.
- Create a list of products on the main page.
    - Create a search bar to filter products.
    - Navigate to the description page when the user clicks on a product.
- (Optional) Slicer to filter products by price.
- Create a shopping cart.
    - Add products to the cart.
    - Remove products from the cart.
    - Calculate the total price of the products in the cart."""

note = """ 

            Note:

            1. Use Python Flask to create a Repository pattern based on the following structure to generate the files

            ｜- models
            ｜- controllers
            ｜- repositories
            ｜- views

            2. For the view page, please use SPA + VueJS + TypeScript to build

            3. Firstly use markdown to output the generated project structure (including directories and files), and then generate the  file names and corresponding codes step by step, output like this 

               ## Project Structure

                    ｜- models
                        | - user.py
                    ｜- controllers
                        | - user_controller.py
                    ｜- repositories
                        | - user_repository.py
                    ｜- templates
                        | - index.html

               ## Backend
                 
                   #### `models/user.py`
                   ```python

                   ```
                   .......
               

               ## Frontend
                 
                   #### `templates/index.html`
                   ```html

                   ```
                   ......."""

prompt = f'{user_prompt}Please create a project with Python and Flask according to the following requirements：\n{requirement}{note}{prompt_suffix}{assistant_prompt}'

inputs = processor(prompt, images=None, return_tensors='pt').to('cuda:0')

generate_ids = model.generate(
    **inputs,
    max_new_tokens=2048,
    generation_config=generation_config,
)

generate_ids = generate_ids[:, inputs['input_ids'].shape[1] :]

response = processor.batch_decode(
    generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]

print(response)

Paalala:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagamat nagsusumikap kami para sa katumpakan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-tumpak na impormasyon. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.