【书生大模型实战】L0G2-Python

一、关卡任务

二、实验

2.1 赎金信

题目描述

题解

class Solution:
    def canConstruct(self, ransomNote, magazine):
        counts = {}
        for c in magazine:
            counts[c] = counts.get(c, 0) + 1
        for c in ransomNote:
            if c not in counts or counts[c] == 0:
                return False
            counts[c] -= 1
        return True

提交记录

2.2 vscode debug

2.2.1 单文件debug

在.vscode文件夹下创建launch.json文件

添加断点，这里可以编辑断点的类型

表达式断点

触发计数断点

记录日志断点

运行,选择 Current File

2.2.2 命令行debug

很多时候我们要debug的不止是一个简单的python文件，而是很多参数，参数中不止会有简单的值还可能有错综复杂的文件关系,甚至debug一整个项目。这种情况下，直接使用命令行来发起debug会是一个更好的选择。

修改launch.json配置：添加 Remote Attach

安装依赖：

启动debug server：注意这里的端口号要与lauch.json保持一致

vscode debug选择 Remote Attach

这里可以读到输入的的命令行参数

2.2.3 问题调试

from openai import OpenAI
import json
def internlm_gen(prompt,client):
    '''
    LLM生成函数
    Param prompt: prompt string
    Param client: OpenAI client 
    '''
    response = client.chat.completions.create(
        model="internlm2.5-latest",
        messages=[
            {"role": "user", "content": prompt},
      ],
        stream=False
    )
    return response.choices[0].message.content

api_key = ''
client = OpenAI(base_url="https://internlm-chat.intern-ai.org.cn/puyu/api/v1/",api_key=api_key)

content = """
书生浦语InternLM2.5是上海人工智能实验室于2024年7月推出的新一代大语言模型，提供1.8B、7B和20B三种参数版本，以适应不同需求。
该模型在复杂场景下的推理能力得到全面增强，支持1M超长上下文，能自主进行互联网搜索并整合信息。
"""
prompt = f"""
请帮我从以下``内的这段模型介绍文字中提取关于该模型的信息，要求包含模型名字、开发机构、提供参数版本、上下文长度四个内容，以json格式返回。
`{content}`
"""
res = internlm_gen(prompt,client)
res_json = json.loads(res)
print(res_json)

这里 模型返回的结果是 markdown 形式的富文本而非完全的符合json格式的字符串

返回数据的实际格式：

将多余markdown内容去除

最终结果：