生成中文摘要

前提条件

已创建OSS Bucket存储空间，具体操作请参见控制台创建存储空间。

一、进入模型详情页面

1. 进入快速开始页面。

   1. 登录PAI控制台。

   2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。

   3. 在左侧导航栏单击快速开始，进入快速开始页面。

2. 在快速开始首页，单击自然语言处理区域下的文本生成。在右侧的模型列表中，单击easynlp_pai_mt5_title_generation_zh模型卡片，进入模型详情页面。

   

二、直接部署和调试模型

部署模型服务

1. 在模型详情页面，单击模型部署。

2. 在模型部署详情页面，确认部署信息后，单击部署。

3. 在计费提醒对话框中，单击确定。

   页面将自动跳转到服务详情页面。您可以在基本信息区域查看服务状态。当状态变为运行中时，表明服务部署成功。

在线调试模型

通过控制台进行在线调试

1. 在服务详情页面的在线预测文本框中输入请求数据，请求数据示例如下。

   {
       "data": ["在广州第一人民医院，一个上午6名患者做支气管镜检查，5人查出肺癌，且4人是老烟民！专家称，吸烟和被动吸烟是肺癌的主要元凶。"]
   }

   

2. 单击发送请求。

   您可以在页面下方查看输出结果。

通过Python代码进行在线调试

1. 查看服务的调用信息。

   1. 在服务详情页面的资源信息区域，单击查看调用信息。

      

   2. 在调用信息对话框的公网地址调用页签中，查看访问地址和Token，并保存到本地。

2. 使用以下示例代码发送服务请求。

   import requests
   
   url = "<PredictionServiceEndpoint>"
   token = "<PredictionServiceAccessToken>"
   request_body = '{"data": ["在广州第一人民医院，一个上午6名患者做支气管镜检查，5人查出肺癌，且4人是老烟民！专家称，吸烟和被动吸烟是肺癌的主要元凶。"]}'
   request_body = request_body.encode('utf-8')
   headers = {"Authorization": token}
   resp = requests.post(url=url, headers=headers, data=request_body)
   
   print(resp.content.decode())
   print("status code:", resp.status_code)
   

   其中：url和token需要分别配置为上述步骤中保存到本地的访问地址和Token。

   系统返回结果如下图所示。

三、微调训练模型

1. （可选）准备数据集。

   说明

   如果您希望使用自己的数据来微调训练模型，可以按照以下操作步骤来准备训练数据集。

   1. 快速开始提供了训练数据集。您可以使用默认数据集，也可以自己准备数据。训练数据格式为：

      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      {"text": "<text>", "summary": "summary"}
      ......
      {"text": "<text>", "summary": "summary"}
      

   2. 将已准备的数据上传到OSS存储空间，具体操作，请参见控制台上传文件。

2. 提交训练作业。

   1. 返回模型详情页面，具体操作，请参见一、进入模型详情页面。

   2. 在模型训练区域，将训练设置>输出路径配置为OSS Bucket路径，并单击训练。本示例使用默认数据集进行模型微调训练。

      说明

      如果您准备了训练数据集，在模型训练区域，参照微调训练模型操作步骤更新训练数据集后，再单击训练。

      页面将自动跳转到任务详情页面。您可以单击任务日志，查看训练过程。

四、部署和调试微调后的模型

1. 在任务详情页面模型部署区域，单击部署。

   页面自动跳转到服务详情页面，您可以在基本信息区域查看模型服务部署状态。当状态变为运行中时，表明模型服务已成功部署。

2. 在线调试模型，具体操作，请参见在线调试模型。