815 lines
18 KiB
TypeScript
815 lines
18 KiB
TypeScript
import { PrismaClient } from '@prisma/client';
|
||
|
||
const prisma = new PrismaClient();
|
||
|
||
async function main() {
|
||
console.log('开始初始化数据库...');
|
||
|
||
// 清理现有数据
|
||
await prisma.pathItem.deleteMany();
|
||
await prisma.learningPath.deleteMany();
|
||
await prisma.userProgress.deleteMany();
|
||
await prisma.chapter.deleteMany();
|
||
await prisma.course.deleteMany();
|
||
|
||
// 创建机器学习基础课程
|
||
const mlBasics1 = await prisma.course.create({
|
||
data: {
|
||
title: '线性回归',
|
||
description: '学习线性回归的基本原理和实现方法，包括最小二乘法、梯度下降等核心概念。',
|
||
category: 'ML_BASICS',
|
||
difficulty: 'BEGINNER',
|
||
estimatedHours: 3,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '什么是线性回归',
|
||
order: 1,
|
||
content: `# 什么是线性回归
|
||
|
||
线性回归是机器学习中最基础的算法之一，用于预测连续值。
|
||
|
||
## 基本概念
|
||
|
||
线性回归试图找到一条直线（或超平面），使得所有数据点到这条直线的距离之和最小。
|
||
|
||
### 数学表示
|
||
|
||
对于简单线性回归（一个特征），模型可以表示为：
|
||
|
||
\\\`\\\`\\\`python
|
||
y = wx + b
|
||
\\\`\\\`\\\`
|
||
|
||
其中：
|
||
- \`y\` 是预测值（目标变量）
|
||
- \`x\` 是输入特征
|
||
- \`w\` 是权重（斜率）
|
||
- \`b\` 是偏置（截距）
|
||
|
||
### 应用场景
|
||
|
||
- 房价预测
|
||
- 销售额预测
|
||
- 温度预测
|
||
- 任何需要预测连续值的场景
|
||
|
||
## 下一步
|
||
|
||
在下一章中，我们将学习如何使用最小二乘法来求解线性回归的参数。`,
|
||
},
|
||
{
|
||
title: '最小二乘法',
|
||
order: 2,
|
||
content: `# 最小二乘法
|
||
|
||
最小二乘法是求解线性回归参数的标准方法。
|
||
|
||
## 原理
|
||
|
||
最小二乘法的目标是找到参数 \`w\` 和 \`b\`，使得预测值与真实值之间的平方误差最小：
|
||
|
||
\\\`\\\`\\\`python
|
||
损失函数 = Σ(y_i - (wx_i + b))²
|
||
\\\`\\\`\\\`
|
||
|
||
## 求解方法
|
||
|
||
### 1. 解析解（闭式解）
|
||
|
||
对于简单线性回归，可以直接计算：
|
||
|
||
\\\`\\\`\\\`python
|
||
w = Σ(x_i - x̄)(y_i - ȳ) / Σ(x_i - x̄)²
|
||
b = ȳ - w * x̄
|
||
\\\`\\\`\\\`
|
||
|
||
### 2. 矩阵形式
|
||
|
||
对于多元线性回归，可以使用矩阵运算：
|
||
|
||
\\\`\\\`\\\`python
|
||
θ = (X^T * X)^(-1) * X^T * y
|
||
\\\`\\\`\\\`
|
||
|
||
## 代码示例
|
||
|
||
\\\`\\\`\\\`python
|
||
import numpy as np
|
||
|
||
def linear_regression(X, y):
|
||
# 添加偏置项
|
||
X = np.column_stack([np.ones(len(X)), X])
|
||
|
||
# 计算参数
|
||
theta = np.linalg.inv(X.T @ X) @ X.T @ y
|
||
|
||
return theta
|
||
\\\`\\\`\\\`
|
||
|
||
## 总结
|
||
|
||
最小二乘法提供了线性回归的精确解，但在大数据集上计算成本较高。下一章我们将学习更高效的梯度下降方法。`,
|
||
},
|
||
{
|
||
title: '梯度下降',
|
||
order: 3,
|
||
content: `# 梯度下降
|
||
|
||
梯度下降是一种优化算法，用于找到损失函数的最小值。
|
||
|
||
## 基本思想
|
||
|
||
梯度下降通过迭代更新参数，沿着损失函数梯度的反方向移动，逐步接近最优解。
|
||
|
||
## 算法步骤
|
||
|
||
1. 初始化参数 \`w\` 和 \`b\`
|
||
2. 计算损失函数的梯度
|
||
3. 更新参数：\`θ = θ - α * ∇θ\`
|
||
4. 重复步骤2-3直到收敛
|
||
|
||
其中 \`α\` 是学习率。
|
||
|
||
## 代码实现
|
||
|
||
\\\`\\\`\\\`python
|
||
import numpy as np
|
||
|
||
def gradient_descent(X, y, learning_rate=0.01, iterations=1000):
|
||
m = len(y)
|
||
theta = np.zeros(X.shape[1])
|
||
|
||
for i in range(iterations):
|
||
# 计算预测值
|
||
predictions = X @ theta
|
||
|
||
# 计算梯度
|
||
gradient = (1/m) * X.T @ (predictions - y)
|
||
|
||
# 更新参数
|
||
theta = theta - learning_rate * gradient
|
||
|
||
# 可选：打印损失
|
||
if i % 100 == 0:
|
||
loss = np.mean((predictions - y) ** 2)
|
||
print(f'Iteration {i}, Loss: {loss}')
|
||
|
||
return theta
|
||
\\\`\\\`\\\`
|
||
|
||
## 学习率选择
|
||
|
||
- 学习率太小：收敛慢
|
||
- 学习率太大：可能无法收敛或震荡
|
||
- 建议：从0.01开始，根据实际情况调整
|
||
|
||
## 总结
|
||
|
||
梯度下降是深度学习的核心优化算法，理解它对于后续学习非常重要。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
const mlBasics2 = await prisma.course.create({
|
||
data: {
|
||
title: '逻辑回归',
|
||
description: '学习逻辑回归用于分类问题的原理和应用，包括sigmoid函数、损失函数等。',
|
||
category: 'ML_BASICS',
|
||
difficulty: 'BEGINNER',
|
||
estimatedHours: 4,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '分类问题',
|
||
order: 1,
|
||
content: `# 分类问题
|
||
|
||
逻辑回归是用于解决分类问题的算法。
|
||
|
||
## 分类 vs 回归
|
||
|
||
- **回归**：预测连续值（如房价、温度）
|
||
- **分类**：预测离散类别（如垃圾邮件/正常邮件、猫/狗）
|
||
|
||
## 二分类问题
|
||
|
||
逻辑回归主要用于二分类问题，输出是0或1。
|
||
|
||
### 示例场景
|
||
|
||
- 邮件分类：垃圾邮件（1）或正常邮件（0）
|
||
- 疾病诊断：患病（1）或健康（0）
|
||
- 客户流失：流失（1）或保留（0）
|
||
|
||
## 为什么不能用线性回归？
|
||
|
||
线性回归的输出可以是任意实数，不适合分类问题。我们需要将输出映射到[0,1]区间。
|
||
|
||
## 下一步
|
||
|
||
下一章我们将学习sigmoid函数，它是逻辑回归的核心。`,
|
||
},
|
||
{
|
||
title: 'Sigmoid函数',
|
||
order: 2,
|
||
content: `# Sigmoid函数
|
||
|
||
Sigmoid函数将任意实数映射到(0,1)区间，非常适合二分类问题。
|
||
|
||
## 函数定义
|
||
|
||
\\\`\\\`\\\`python
|
||
σ(z) = 1 / (1 + e^(-z))
|
||
\\\`\\\`\\\`
|
||
|
||
## 特性
|
||
|
||
- 输出范围：(0, 1)
|
||
- 单调递增
|
||
- S型曲线
|
||
- 当z=0时，σ(z)=0.5
|
||
|
||
## 代码实现
|
||
|
||
\\\`\\\`\\\`python
|
||
import numpy as np
|
||
import matplotlib.pyplot as plt
|
||
|
||
def sigmoid(z):
|
||
return 1 / (1 + np.exp(-z))
|
||
|
||
# 示例
|
||
z = np.linspace(-10, 10, 100)
|
||
y = sigmoid(z)
|
||
|
||
plt.plot(z, y)
|
||
plt.xlabel('z')
|
||
plt.ylabel('σ(z)')
|
||
plt.title('Sigmoid Function')
|
||
plt.grid(True)
|
||
plt.show()
|
||
\\\`\\\`\\\`
|
||
|
||
## 在逻辑回归中的应用
|
||
|
||
逻辑回归模型：
|
||
|
||
\\\`\\\`\\\`python
|
||
h(x) = σ(wx + b) = 1 / (1 + e^(-(wx + b)))
|
||
\\\`\\\`\\\`
|
||
|
||
输出可以解释为概率：P(y=1|x)
|
||
|
||
## 总结
|
||
|
||
Sigmoid函数是逻辑回归的基础，理解它对于掌握分类算法至关重要。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
// 创建深度学习课程
|
||
const dl1 = await prisma.course.create({
|
||
data: {
|
||
title: '神经网络基础',
|
||
description: '从感知机到多层神经网络，学习神经网络的基本原理和结构。',
|
||
category: 'DEEP_LEARNING',
|
||
difficulty: 'INTERMEDIATE',
|
||
estimatedHours: 5,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '感知机',
|
||
order: 1,
|
||
content: `# 感知机
|
||
|
||
感知机是神经网络的基础，是最简单的神经网络模型。
|
||
|
||
## 什么是感知机
|
||
|
||
感知机是一个二分类的线性分类模型，由输入层和输出层组成。
|
||
|
||
## 结构
|
||
|
||
\\\`\\\`\\\`python
|
||
输入 → 权重 → 求和 → 激活函数 → 输出
|
||
\\\`\\\`\\\`
|
||
|
||
## 数学表示
|
||
|
||
\\\`\\\`\\\`python
|
||
y = f(Σ(w_i * x_i) + b)
|
||
\\\`\\\`\\\`
|
||
|
||
其中f是激活函数（如阶跃函数）。
|
||
|
||
## 局限性
|
||
|
||
单层感知机只能解决线性可分问题，无法处理XOR等非线性问题。
|
||
|
||
## 下一步
|
||
|
||
多层感知机（MLP）可以解决非线性问题，我们将在下一章学习。`,
|
||
},
|
||
{
|
||
title: '多层神经网络',
|
||
order: 2,
|
||
content: `# 多层神经网络
|
||
|
||
多层神经网络（MLP）通过增加隐藏层来解决非线性问题。
|
||
|
||
## 网络结构
|
||
|
||
- **输入层**：接收特征
|
||
- **隐藏层**：一个或多个，进行特征变换
|
||
- **输出层**：产生最终预测
|
||
|
||
## 前向传播
|
||
|
||
\\\`\\\`\\\`python
|
||
# 第一层
|
||
z1 = W1 @ x + b1
|
||
a1 = activation(z1)
|
||
|
||
# 第二层
|
||
z2 = W2 @ a1 + b2
|
||
a2 = activation(z2)
|
||
|
||
# 输出层
|
||
output = softmax(z2) # 对于多分类
|
||
\\\`\\\`\\\`
|
||
|
||
## 激活函数
|
||
|
||
常用的激活函数：
|
||
- ReLU: \`f(x) = max(0, x)\`
|
||
- Sigmoid: \`f(x) = 1/(1+e^(-x))\`
|
||
- Tanh: \`f(x) = tanh(x)\`
|
||
|
||
## 为什么需要激活函数？
|
||
|
||
没有激活函数，多层网络等价于单层网络。激活函数引入非线性，使网络能够学习复杂模式。
|
||
|
||
## 总结
|
||
|
||
多层神经网络是深度学习的基础，理解其结构对于后续学习CNN、RNN等模型非常重要。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
const dl2 = await prisma.course.create({
|
||
data: {
|
||
title: '卷积神经网络（CNN）',
|
||
description: '学习CNN在图像处理中的应用，包括卷积层、池化层等核心概念。',
|
||
category: 'DEEP_LEARNING',
|
||
difficulty: 'INTERMEDIATE',
|
||
estimatedHours: 6,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '卷积操作',
|
||
order: 1,
|
||
content: `# 卷积操作
|
||
|
||
卷积是CNN的核心操作，用于提取图像特征。
|
||
|
||
## 什么是卷积
|
||
|
||
卷积是一种数学运算，通过滑动窗口（卷积核）在输入上移动，计算局部区域的加权和。
|
||
|
||
## 卷积过程
|
||
|
||
1. 将卷积核放在输入图像的左上角
|
||
2. 计算卷积核覆盖区域的元素乘积之和
|
||
3. 将结果写入输出特征图
|
||
4. 滑动卷积核，重复步骤2-3
|
||
|
||
## 代码示例
|
||
|
||
\\\`\\\`\\\`python
|
||
import numpy as np
|
||
from scipy import signal
|
||
|
||
# 简单的卷积实现
|
||
def convolve2d(image, kernel):
|
||
return signal.convolve2d(image, kernel, mode='valid')
|
||
\\\`\\\`\\\`
|
||
|
||
## 卷积核的作用
|
||
|
||
不同的卷积核可以检测不同的特征：
|
||
- 边缘检测
|
||
- 模糊
|
||
- 锐化
|
||
- 特征提取
|
||
|
||
## 总结
|
||
|
||
理解卷积操作是掌握CNN的关键第一步。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
// 创建NLP课程
|
||
const nlp1 = await prisma.course.create({
|
||
data: {
|
||
title: '文本预处理',
|
||
description: '学习NLP中的文本预处理技术，包括分词、去停用词、词干提取等。',
|
||
category: 'NLP',
|
||
difficulty: 'BEGINNER',
|
||
estimatedHours: 3,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '分词',
|
||
order: 1,
|
||
content: `# 分词
|
||
|
||
分词是将文本切分成词语的过程，是NLP的基础步骤。
|
||
|
||
## 中文分词
|
||
|
||
中文没有明显的词边界，需要专门的分词工具：
|
||
|
||
\\\`\\\`\\\`python
|
||
import jieba
|
||
|
||
text = "自然语言处理是人工智能的重要分支"
|
||
words = jieba.cut(text)
|
||
print(list(words))
|
||
# ['自然语言', '处理', '是', '人工智能', '的', '重要', '分支']
|
||
\\\`\\\`\\\`
|
||
|
||
## 英文分词
|
||
|
||
英文分词相对简单，通常按空格分割：
|
||
|
||
\\\`\\\`\\\`python
|
||
text = "Natural language processing is important"
|
||
words = text.split()
|
||
print(words)
|
||
# ['Natural', 'language', 'processing', 'is', 'important']
|
||
\\\`\\\`\\\`
|
||
|
||
## 分词工具
|
||
|
||
- 中文：jieba, HanLP
|
||
- 英文：NLTK, spaCy
|
||
|
||
## 总结
|
||
|
||
准确的分词是后续NLP任务的基础。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
const nlp2 = await prisma.course.create({
|
||
data: {
|
||
title: '词向量',
|
||
description: '学习词嵌入和词向量的表示方法，包括Word2Vec、GloVe等。',
|
||
category: 'NLP',
|
||
difficulty: 'INTERMEDIATE',
|
||
estimatedHours: 5,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: '词嵌入基础',
|
||
order: 1,
|
||
content: `# 词嵌入基础
|
||
|
||
词嵌入是将词语映射到低维连续向量空间的技术。
|
||
|
||
## 为什么需要词向量？
|
||
|
||
传统方法（如one-hot编码）的问题：
|
||
- 维度高（词汇表大小）
|
||
- 稀疏
|
||
- 无法表示词语间的语义关系
|
||
|
||
## 词向量的优势
|
||
|
||
- 低维密集表示
|
||
- 语义相似的词向量距离近
|
||
- 可以进行向量运算（如：king - man + woman ≈ queen）
|
||
|
||
## Word2Vec
|
||
|
||
Word2Vec是经典的词向量训练方法，包括：
|
||
- Skip-gram：用中心词预测上下文
|
||
- CBOW：用上下文预测中心词
|
||
|
||
## 使用预训练词向量
|
||
|
||
\\\`\\\`\\\`python
|
||
from gensim.models import Word2Vec
|
||
|
||
# 加载预训练模型
|
||
model = Word2Vec.load('word2vec.model')
|
||
vector = model.wv['人工智能']
|
||
\\\`\\\`\\\`
|
||
|
||
## 总结
|
||
|
||
词向量是现代NLP的基础，理解它对于学习Transformer和LLM非常重要。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
// 创建LLM课程
|
||
const llm1 = await prisma.course.create({
|
||
data: {
|
||
title: 'GPT原理',
|
||
description: '深入理解GPT（Generative Pre-trained Transformer）的工作原理和架构。',
|
||
category: 'LLM',
|
||
difficulty: 'ADVANCED',
|
||
estimatedHours: 8,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: 'Transformer架构',
|
||
order: 1,
|
||
content: `# Transformer架构
|
||
|
||
GPT基于Transformer架构，理解Transformer是理解GPT的基础。
|
||
|
||
## Transformer核心组件
|
||
|
||
1. **自注意力机制（Self-Attention）**
|
||
2. **位置编码（Positional Encoding）**
|
||
3. **前馈神经网络（Feed-Forward）**
|
||
4. **层归一化（Layer Normalization）**
|
||
|
||
## 自注意力机制
|
||
|
||
自注意力允许模型关注输入序列的不同位置：
|
||
|
||
\\\`\\\`\\\`python
|
||
Attention(Q, K, V) = softmax(QK^T / √d_k) V
|
||
\\\`\\\`\\\`
|
||
|
||
其中：
|
||
- Q: Query（查询）
|
||
- K: Key（键）
|
||
- V: Value（值）
|
||
|
||
## GPT的改进
|
||
|
||
GPT使用：
|
||
- 仅解码器（Decoder-only）架构
|
||
- 因果掩码（Causal Masking）确保自回归生成
|
||
- 位置编码
|
||
|
||
## 总结
|
||
|
||
Transformer是GPT的基础，理解其架构对于掌握大语言模型至关重要。`,
|
||
},
|
||
{
|
||
title: '预训练与微调',
|
||
order: 2,
|
||
content: `# 预训练与微调
|
||
|
||
GPT采用两阶段训练：预训练和微调。
|
||
|
||
## 预训练阶段
|
||
|
||
在大规模无标注文本上训练，学习语言的基本规律：
|
||
|
||
\\\`\\\`\\\`python
|
||
# 目标：预测下一个词
|
||
损失 = -log P(w_t | w_1, ..., w_{t-1})
|
||
\\\`\\\`\\\`
|
||
|
||
## 微调阶段
|
||
|
||
在特定任务上微调，如：
|
||
- 文本分类
|
||
- 问答
|
||
- 文本生成
|
||
|
||
## 代码示例
|
||
|
||
\\\`\\\`\\\`python
|
||
from transformers import GPT2LMHeadModel, GPT2Tokenizer
|
||
|
||
# 加载预训练模型
|
||
model = GPT2LMHeadModel.from_pretrained('gpt2')
|
||
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
|
||
|
||
# 微调（伪代码）
|
||
for batch in training_data:
|
||
outputs = model(batch.input_ids)
|
||
loss = compute_loss(outputs, batch.labels)
|
||
loss.backward()
|
||
optimizer.step()
|
||
\\\`\\\`\\\`
|
||
|
||
## 总结
|
||
|
||
预训练+微调是GPT成功的关键，这种范式被广泛应用于大语言模型。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
const llm2 = await prisma.course.create({
|
||
data: {
|
||
title: 'Prompt工程',
|
||
description: '学习如何编写有效的Prompt来引导大语言模型生成期望的输出。',
|
||
category: 'LLM',
|
||
difficulty: 'INTERMEDIATE',
|
||
estimatedHours: 4,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: 'Prompt基础',
|
||
order: 1,
|
||
content: `# Prompt基础
|
||
|
||
Prompt是用户输入给大语言模型的指令或问题。
|
||
|
||
## 什么是Prompt
|
||
|
||
Prompt是引导模型生成特定输出的文本输入。
|
||
|
||
## 好的Prompt的特征
|
||
|
||
1. **清晰明确**：明确表达需求
|
||
2. **提供上下文**：给出必要的背景信息
|
||
3. **指定格式**：如果需要特定格式，明确说明
|
||
4. **示例引导**：提供few-shot示例
|
||
|
||
## 示例
|
||
|
||
### 不好的Prompt
|
||
\\\`\\\`\\\`
|
||
翻译
|
||
\\\`\\\`\\\`
|
||
|
||
### 好的Prompt
|
||
\\\`\\\`\\\`
|
||
请将以下英文翻译成中文：
|
||
"Hello, how are you?"
|
||
\\\`\\\`\\\`
|
||
|
||
## Prompt技巧
|
||
|
||
- **角色设定**：让模型扮演特定角色
|
||
- **思维链**：引导模型逐步思考
|
||
- **输出格式**：指定JSON、Markdown等格式
|
||
|
||
## 总结
|
||
|
||
掌握Prompt工程是有效使用大语言模型的关键技能。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
// 创建AI工具课程
|
||
const tools1 = await prisma.course.create({
|
||
data: {
|
||
title: 'LangChain入门',
|
||
description: '学习使用LangChain构建AI应用，包括链式调用、记忆、工具等核心概念。',
|
||
category: 'AI_TOOLS',
|
||
difficulty: 'INTERMEDIATE',
|
||
estimatedHours: 6,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: 'LangChain简介',
|
||
order: 1,
|
||
content: `# LangChain简介
|
||
|
||
LangChain是一个用于构建LLM应用的框架。
|
||
|
||
## 为什么需要LangChain
|
||
|
||
直接使用LLM API的问题：
|
||
- 上下文管理复杂
|
||
- 难以集成外部数据
|
||
- 缺乏可复用组件
|
||
|
||
LangChain提供了：
|
||
- 模块化组件
|
||
- 链式调用
|
||
- 数据连接
|
||
- 记忆管理
|
||
|
||
## 核心概念
|
||
|
||
1. **LLM/聊天模型**：与语言模型交互
|
||
2. **提示模板**：可复用的Prompt
|
||
3. **链（Chain）**：组合多个组件
|
||
4. **代理（Agent）**：使用工具执行任务
|
||
5. **记忆（Memory）**：管理对话历史
|
||
|
||
## 快速开始
|
||
|
||
\\\`\\\`\\\`python
|
||
from langchain.llms import OpenAI
|
||
from langchain.prompts import PromptTemplate
|
||
|
||
llm = OpenAI(temperature=0.9)
|
||
prompt = PromptTemplate(
|
||
input_variables=["topic"],
|
||
template="写一篇关于{topic}的短文。"
|
||
)
|
||
|
||
chain = prompt | llm
|
||
result = chain.invoke({"topic": "人工智能"})
|
||
print(result)
|
||
\\\`\\\`\\\`
|
||
|
||
## 总结
|
||
|
||
LangChain大大简化了LLM应用的开发，是构建AI应用的重要工具。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
const tools2 = await prisma.course.create({
|
||
data: {
|
||
title: 'Hugging Face使用',
|
||
description: '学习使用Hugging Face Transformers库加载和使用预训练模型。',
|
||
category: 'AI_TOOLS',
|
||
difficulty: 'BEGINNER',
|
||
estimatedHours: 4,
|
||
chapters: {
|
||
create: [
|
||
{
|
||
title: 'Transformers库',
|
||
order: 1,
|
||
content: `# Transformers库
|
||
|
||
Hugging Face Transformers提供了大量预训练模型。
|
||
|
||
## 安装
|
||
|
||
\\\`\\\`\\\`bash
|
||
pip install transformers torch
|
||
\\\`\\\`\\\`
|
||
|
||
## 使用预训练模型
|
||
|
||
\\\`\\\`\\\`python
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
|
||
# 加载模型和分词器
|
||
tokenizer = AutoTokenizer.from_pretrained("gpt2")
|
||
model = AutoModelForCausalLM.from_pretrained("gpt2")
|
||
|
||
# 编码输入
|
||
inputs = tokenizer("人工智能是", return_tensors="pt")
|
||
|
||
# 生成文本
|
||
outputs = model.generate(**inputs, max_length=50)
|
||
text = tokenizer.decode(outputs[0])
|
||
print(text)
|
||
\\\`\\\`\\\`
|
||
|
||
## 模型Hub
|
||
|
||
Hugging Face Hub提供了数万个预训练模型：
|
||
- 文本生成：GPT-2, GPT-Neo
|
||
- 文本分类：BERT, RoBERTa
|
||
- 翻译：mBART, T5
|
||
|
||
## 总结
|
||
|
||
Transformers库让使用预训练模型变得非常简单，是AI开发的重要工具。`,
|
||
},
|
||
],
|
||
},
|
||
},
|
||
});
|
||
|
||
console.log('数据库初始化完成！');
|
||
console.log(`创建了 ${await prisma.course.count()} 门课程`);
|
||
console.log(`创建了 ${await prisma.chapter.count()} 个章节`);
|
||
}
|
||
|
||
main()
|
||
.catch((e) => {
|
||
console.error(e);
|
||
process.exit(1);
|
||
})
|
||
.finally(async () => {
|
||
await prisma.$disconnect();
|
||
});
|