OpenCode安装使用及MCP、Skill的使用
发表于|nlp
|总字数:46|阅读时长:1分钟|浏览量:
OpenCode安装使用及MCP、Skill的使用
以“完成一个网页版的2048”为例，讲解下如何使用OpenCode。
技术栈：
- 纯前端项目，使用Vue和JavaScript完成项目
文章作者: 小鱼吃猫
版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 小鱼吃猫！
相关推荐
2023-08-01
root安装的conda，其他用户不可见
root安装的conda，其他用户不可见要使其他用户能看到安装了 conda 的目录，您需要将 conda 安装目录的权限设置为公共读、写和执行。以下是一些建议的步骤： 首先，找到 conda 安装目录的路径。您可以使用以下命令来找到它： 1which conda 这将显示 conda 的版本信息，并显示 conda 安装目录的路径。例如： 1/root/anaconda3 然后，使用 sudo 修改 conda 安装目录的权限： 1sudo chmod 777 /root/anaconda3 这将把 conda 安装目录的权限设置为所有用户都可以读、写和执行。 如果您希望其他用户能够使用 conda，而不是以 root 权限运行 it，您可以将 conda 添加到系统的 PATH 环境变量中。这可以通过以下步骤实现： a. 打开 /etc/profile 文件以编辑： 1sudo vi /etc/profile b. 在文件末尾添加以下内容（确保使用实际的 conda 安装目录路径替换 /root/anaconda3）： 1export PATH=$PATH:...
2023-08-30
文本摘要之序列到序列模型-t5
文本摘要之序列到序列模型-t5 文本摘要相关内容查阅预训练模型之文本摘要 1 导入相关包12345import osos.environ["CUDA_VISIBLE_DEVICES"] = "1" import torchfrom datasets import Datasetfrom transformers import AutoTokenizer, AutoModelForSeq2SeqLM, DataCollatorForSeq2Seq, Seq2SeqTrainer, Seq2SeqTrainingArguments 2 加载数据集1234567import json# train.json有140w数据，dev.json只有1w数据，with open('./LCSTS_new/train.json','r') as f: lines = f.readlines() train_data = [json.loads(line) for line in lines[:10000...
2023-10-09
Module ‘XXX‘ doesn‘t exist on the Hugging Face Hub
Module ‘accuracy’ doesn’t exist on the Hugging Face Hub either.问题：12Module 'accuracy' doesn't exist on the Hugging Face Hub either.Module 'f1' doesn't exist on the Hugging Face Hub either. 原因出现这个错误，主要在使用evaluate时，加载accuarcy,由于网络问题访问不到导致的。 1acc_metric = evaluate.load("accuracy") 解决方案 下载对应的py文件，然后从本地加载 1https://github.com/huggingface/datasets/tree/main/metrics 从本地加载评估模块 123from datasets import load_metricacc_metric = load_metric("./accuracy.py&quo...
2023-08-18
基于BERT+LSTM+CRF的命名实体识别
基于BERT+LSTM+CRF的命名实体识别定义参数12345678910111213141516171819202122232425262728293031class CommonConfig: bert_dir = "hfl/chinese-macbert-base" output_dir = "./checkpoint/" data_dir = "./data"class NerConfig: def __init__(self): cf = CommonConfig() self.bert_dir = cf.bert_dir self.output_dir = cf.output_dir # self.output_dir = os.path.join(self.output_dir) if not os.path.exists(self.output_dir): os.mkdir(self.out...
2023-08-23
预训练模型分类及其代码实战
预训练模型分类及其代码实战 本文是带你手把手对预训练模型进行继续训练。 预训练模型分类对于什么预训练模型，以及预训练模型的由来，可以参考知乎上的“请问深度学习中预训练模型是指什么？如何得到？”，一个比一个好。本文主要是以代码的角度进行解析如何与对这些预训练模型进行继续训练。目前预训练模型的分类以及适用任务： 序列到序列（Transformer）：机器翻译，阅读理解，文本生成任务,文本摘要 因果语言模型（Causal Language Model, CLM）：文本生成任务 掩码语言模型（Masked Language Model, MLM）：自然语言理解，如：信息抽取，完型填空，情感分析等 前缀语言模型（Prefix language model）：文本生成任务，文本摘要 预训练模型详解序列到序列模型序列到序列模型，其实就是Encoder-Decoder模型，也就是最简单的Transformer架构。Encoder 部分是 Masked Multi-Head Self-Attention，Decoder 部分是 Casual Multi-Head Cross-Attentio...
2023-08-04
Transformers框架之Trainer组件
Transformers框架之Trainer组件Trainer参数解读在学习完Tokenizer、Datasets、Model、Evaluate组件后，Trainer组件是用来训练模型的，也是最简单的。以下是一个最基础的Trainer的参数示例: 123456789trainer = Trainer( model=model, # 模型 args=training_args, # 训练参数 train_dataset=train_dataset, # 训练集 eval_dataset=eval_dataset, # 验证集 tokenizer=tokenizer, # 分词器 data_collator=data_collator, # 数据收集器 compute_metrics=compute_metrics, # 评估函数) 接下来，以**情感分析（外卖评价）**为...
公告
