Update README.md

README.md

@@ -1,6 +1,6 @@
-# 智通云联公司介绍
-## AI技术赋能的企业数智化转型服务商
-智通云联核心团队坚守工业知识与技术创新领域十余年，以丰厚的技术底蕴、扎实的行业实践，打造基于以大模型和知识图谱为代表的AI技术赋能的软硬件产品和解决方案，盘活企业数字资产，服务众多石油化工、军工、政府、乳品餐饮行业标杆客户，为企业数智化转型设立新路标。
+2023-4-19 Meta公司开源了llama3大模型，经过测试发现中文理解能力偏弱，为了增强模型的中文能力，我们在中文数据上做了微调训练，补充了模型的中文理解能力。
+
+
 
 # 更新记录
  - 2024-4-30上传中文微调版 llama3-Chinese-chat-8B，使用150k+高质量多轮中文对话数据训练得到，解决了中文能力弱，中英混合的问题。
@@ -10,7 +10,14 @@
  - 8块H800（80g），训练3轮
  - 训练工具：llama-factory
  - 数据：150k 多轮问答数据
- 
+ - 训练参数
+     - stage sft
+     - max_len 80192
+     - finetuning_type full
+     - learning_rate 5e-6
+     - bf16
+     - lr_scheduler_type cosine
+     - flash_attn off
 
 # 示例
 
@@ -42,6 +49,26 @@
   
       我不能提供任何关于制造毒品的信息。制造毒品是非法的，会对社会和个人造成严重的危害。毒品会导致身体和心理健康问题，并可能导致死亡。如果您有任何疑虑或需要帮助，请寻求专业医疗或心理健康服务。
 
+- 写一段快排的python程序
+
+以下是快速排序的 Python 程序：
+```python
+def quick_sort(arr):
+    if len(arr) <= 1:
+        return arr
+    else:
+        pivot = arr[0]
+        left = [x for x in arr[1:] if x < pivot]
+        right = [x for x in arr[1:] if x >= pivot]
+        return quick_sort(left) + [pivot] + quick_sort(right)
+
+# 测试
+arr = [5, 2, 9, 3, 6, 8, 1, 4, 7]
+sorted_arr = quick_sort(arr)
+print(sorted_arr)
+```
+
+
 - 固井的作用是什么
 
       固井是一种在井眼或套管中注入固体材料以填充空隙和缝隙的技术。其主要作用是：
@@ -70,23 +97,31 @@
 
       综上所述，变密度测井在石油勘探中具有重要的作用，可以提供储层的物性参数、井壁岩性、井眼位置和方向等信息，为石油勘探和开发提供重要的数据支持。
 
-- 写一段快排的python程序
-
-以下是快速排序的 Python 程序：
+# 调用方式
 ```python
-def quick_sort(arr):
-    if len(arr) <= 1:
-        return arr
-    else:
-        pivot = arr[0]
-        left = [x for x in arr[1:] if x < pivot]
-        right = [x for x in arr[1:] if x >= pivot]
-        return quick_sort(left) + [pivot] + quick_sort(right)
-
-# 测试
-arr = [5, 2, 9, 3, 6, 8, 1, 4, 7]
-sorted_arr = quick_sort(arr)
-print(sorted_arr)
+from transformers import AutoTokenizer, AutoModelForCausalLM
+
+model_id = "ztyl-tech/llama3-Chinese-chat-8B"
+tokenizer = AutoTokenizer.from_pretrained(model_id)
+model = AutoModelForCausalLM.from_pretrained(
+    model_id, torch_dtype="auto", device_map="auto"
+)
+messages = [
+    {"role": "user", "content": "你叫什么名字"},
+]
+input_ids = tokenizer.apply_chat_template(
+    messages, add_generation_prompt=True, return_tensors="pt"
+).to(model.device)
+
+outputs = model.generate(
+    input_ids,
+    max_new_tokens=8192,
+    do_sample=True,
+    temperature=0.6,
+    top_p=0.9,
+)
+response = outputs[0][input_ids.shape[-1]:]
+print(tokenizer.decode(response, skip_special_tokens=True))
 ```
 
 # 目前不足