印象笔记办公技巧教程下载(太牛了！h2oGPT直接操作本地PDF、Excel、Word、图像、等文件！)
h2o项目简介
h2o
查询和总结您的文档，或者只是使用 h2oGPT（一个 Apache V2 开源项目）与本地私有 GPT LLM 聊天。
项目地址
https://github.com/h2oai/h2ogpt
测试体验地址
https://gpt.h2o.ai/
主要功能
任何文档的私人离线数据库（PDF、Excel、Word、图像、代码、文本、MarkDown 等）使用精确嵌入（大型、全 MiniLM-L6-v2 等）的持久数据库（Chroma、Weaviate 或内存中 FAISS）使用指令调整的 LLM有效利用上下文（不需要 LangChain 的少样本方法）并行汇总达到 80 个令牌/秒输出 13B LLaMa2通过 UI上传和查看文档（控制多个协作或临时集合）UI或 CLI 以及所有模型的流式传输同时针对多个模型进行UI 模式支持多种模型（LLaMa2、Falcon、Vicuna、WizardLM，包括 AutoGPTQ、4 位/8 位、LORA）HF 和 LLaMa.cpp GGML 模型的GPU支持，以及使用 HF、LLaMa.cpp 和 GPT4ALL 模型的CPU支持Linux、Docker、MAC 和 Windows支持推理服务器支持（HF TGI 服务器、vLLM、Gradio、ExLLaMa、OpenAI）符合 OpenAI 标准的 Python 客户端 API，用于客户端-服务器控制使用奖励模型评估绩效各类模型和数据集下载地址
https://huggingface.co/h2oai
测评
上传文件这里注意可以上传本地的常见的各种类型的文件。
支持的本机数据类型
.pdf：便携式文档格式（PDF），.txt：文本文件（UTF-8），.CSV：CSV，.toml：托姆尔，.py： Python，.rst：重构文本，.rtf：富文本格式，.md：降价，.html：HTML 文件，.docx：Word文档（可选），.doc：Word文档（可选），.xlsx：Excel 文档（可选），.xls：Excel 文档（可选），.enex： 印象笔记，.eml： 电子邮件，.epub：电子书，.odt：打开文档文本，.pptx： PowerPoint 文档，.ppt： PowerPoint 文档，.png：PNG图像（可选），.jpg：JPEG 图像（可选），.jpeg：JPEG 图像（可选）。
生成回答
可以看到提问问题后，多个模型同时回答，用户可以选择一个自己感觉比较合理的回答。
文档管理
可以查看和管理自己上传的文档。
聊天记录管理
自定义输出配置
部署
1：下载 Visual Studio 2022
2：下载 MinGW 安装程序
3：下载并安装Miniconda
4：安装依赖
# Required for Doc Q/A: LangChain: pip install -r reqs_optional/requirements_optional_langchain.txt # Required for CPU: LLaMa/GPT4All: pip install -r reqs_optional/requirements_optional_gpt4all.txt # Optional: PyMuPDF/ArXiv: pip install -r reqs_optional/requirements_optional_langchain.gpllike.txt # Optional: Selenium/PlayWright: pip install -r reqs_optional/requirements_optional_langchain.urls.txt # Optional: for supporting unstructured package python -m nltk.downloader all
5：可选配置
6：运行
For document Q/A with UI using LLaMa.cpp-based model on CPU or GPU:
Click Download Wizard Model and place file in h2oGPT directory.
python generate.py --base_model='llama' --prompt_type=wizard2 --score_model=None --langchain_mode='UserData' --user_path=user_path
7：使用和分享
Starting get_model: llamaggml_init_cublas: found 2 CUDA devices: Device 0: NVIDIA GeForce RTX 3090 Ti Device 1: NVIDIA GeForce RTX 2080llama.cpp: loading model from WizardLM-7B-uncensored.ggmlv3.q8_0.binllama_model_load_internal: format = ggjt v3 (latest)llama_model_load_internal: n_vocab = 32001llama_model_load_internal: n_ctx = 1792llama_model_load_internal: n_embd = 4096llama_model_load_internal: n_mult = 256llama_model_load_internal: n_head = 32llama_model_load_internal: n_layer = 32llama_model_load_internal: n_rot = 128llama_model_load_internal: ftype = 7 (mostly Q8_0)llama_model_load_internal: n_ff = 11008llama_model_load_internal: model size = 7Bllama_model_load_internal: ggml ctx size = 0.08 MBllama_model_load_internal: using CUDA for GPU accelerationggml_cuda_set_main_device: using device 0 (NVIDIA GeForce RTX 3090 Ti) as main devicellama_model_load_internal: mem required = 4518.85 MB ( 1026.00 MB per state)llama_model_load_internal: allocating batch_size x (512 kB n_ctx x 128 B) = 368 MB VRAM for the scratch bufferllama_model_load_internal: offloading 20 repeating layers to GPUllama_model_load_internal: offloaded 20/35 layers to GPUllama_model_load_internal: total VRAM used: 4470 MBllama_new_context_with_model: kv self size = 896.00 MBAVX = 1 | AVX2 = 1 | AVX512 = 0 | AVX512_VBMI = 0 | AVX512_VNNI = 0 | FMA = 1 | NEON = 0 | ARM_FMA = 0 | F16C = 1 | FP16_VA = 0 | WASM_SIMD = 0 | BLAS = 1 | SSE3 = 1 | VSX = 0 |Model {'base_model': 'llama', 'tokenizer_base_model': '', 'lora_weights': '', 'inference_server': '', 'prompt_type': 'wizard2', 'prompt_dict': {'promptA': 'Below is an instruction that describes a task. Write a response that appropriately completes the request.', 'promptB': 'Below is an instruction that describes a task. Write a response that appropriately completes the request.', 'PreInstruct': 'n### Instruction:n', 'PreInput': None, 'PreResponse': 'n### Response:n', 'terminate_response': ['n### Response:n'], 'chat_sep': 'n', 'chat_turn_sep': 'n', 'humanstr': 'n### Instruction:n', 'botstr': 'n### Response:n', 'generates_leading_space': False}}Running on local URL: http://0.0.0.0:7860To create a public link, set `share=True` in `launch()`.
转到http://127.0.0.1:7860（忽略上面的消息）。添加--share=True以获得可共享的安全链接。
要仅与 LLM 聊天，请在“集合”中单击Resources并单击LLM，或者在不使用--langchain_mode=UserData.
在nvidia-smi或其他一些 GPU 监视器程序中，您应该看到python.exe在（计算）模式下使用 GPUC并使用 GPU 资源。
3090Ti 的 i9 上，每秒大约获得 5 个令牌。
如果您有多个 GPU，最好通过执行以下操作来指定使用快速 GPU（例如，如果设备 0 是最快且内存最大的 GPU）。
感兴趣的小伙伴们快去动手试试吧！
本文由 京廊文化根据互联网搜索查询后整理发布，旨在分享有价值的内容，本站为非营利性网站，不参与任何商业性质行为，文章如有侵权请联系删除，部分文章如未署名作者来源请联系我们及时备注，感谢您的支持。
本文链接： /bangong/19619.html