这几年做网站怎么样网站备案查询工信部

PaddleNLP 是一款基于飞桨深度学习框架的大语言模型(LLM)开发套件，支持在多种硬件上进行高效的大模型训练、无损压缩以及高性能推理。PaddleNLP 具备简单易用和性能极致的特点，致力于助力开发者实现高效的大模型产业级应用。

你可以使用PaddleNLP快速进行模型训练，同时使用SwanLab进行实验跟踪与可视化。

Demo链接：Qwen2.5-0.5B-SFT-paddlenlp

1. 引入SwanLabCallback

from swanlab.integration.paddlenlp import SwanLabCallback

SwanLabCallback是适配于PaddleNLP的日志记录类。

SwanLabCallback可以定义的参数有：

• project、experiment_name、description 等与 swanlab.init 效果一致的参数, 用于SwanLab项目的初始化。
• 你也可以在外部通过swanlab.init创建项目，集成会将实验记录到你在外部创建的项目中。

2. 传入Trainer

from swanlab.integration.paddlenlp import SwanLabCallback
from paddlenlp.trainer import  TrainingArguments, Trainer...# 实例化SwanLabCallback
swanlab_callback = SwanLabCallback(project="paddlenlp-demo")trainer = Trainer(...# 传入callbacks参数callbacks=[swanlab_callback],
)trainer.train()

3. 完整案例代码

需要能连接上HuggingFace服务器下载数据集。

"""
测试于：
pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/
pip install paddlenlp==3.0.0b4
"""
from paddlenlp.trl import SFTConfig, SFTTrainer
from datasets import load_dataset
from swanlab.integration.paddlenlp import SwanLabCallbackdataset = load_dataset("ZHUI/alpaca_demo", split="train")training_args = SFTConfig(output_dir="Qwen/Qwen2.5-0.5B-SFT",device="gpu",per_device_train_batch_size=1,logging_steps=20)swanlab_callback = SwanLabCallback(project="Qwen2.5-0.5B-SFT-paddlenlp",experiment_name="Qwen2.5-0.5B",
)trainer = SFTTrainer(args=training_args,model="Qwen/Qwen2.5-0.5B-Instruct",train_dataset=dataset,callbacks=[swanlab_callback],
)
trainer.train()

4. GUI效果展示

超参数自动记录：

指标记录：

5 拓展：增加更多回调

试想一个场景，你希望在每个epoch结束时，让模型推理测试样例，并用swanlab记录推理的结果，那么你可以创建一个继承自SwanLabCallback的新类，增加或重构生命周期函数。比如：

class NLPSwanLabCallback(SwanLabCallback):    def on_epoch_end(self, args, state, control, **kwargs):test_text_list = ["example1", "example2"]log_text_list = []for text in test_text_list:result = model(text)log_text_list.append(swanlab.Text(result))swanlab.log({"Prediction": test_text_list}, step=state.global_step)

上面是一个在NLP任务下的新回调类，增加了on_epoch_end函数，它会在transformers训练的每个epoch结束时执行。