fix some bad code

inference.py

@@ -53,7 +53,7 @@ class BertClassificationModel(nn.Module):
         
 def inference_matrix(topics):
     device = torch.device('cuda' if cuda.is_available() else 'cpu')
-    load_path = "TSA/bert_model.pkl"   
+    load_path = "bert_model.pkl"   
     model = torch.load(load_path,map_location=torch.device(device))
     matrix = np.zeros([len(topics),len(topics)],dtype=float)
     for i,i_text in enumerate(topics):

outline.py

@@ -3,15 +3,14 @@ from scipy.cluster.hierarchy import linkage, fcluster, dendrogram
 import matplotlib.pyplot as plt
 
 def passage_outline(matrix,sentences):
-    # matrix = np.array([[1.0, 0.8, 0.2, 0.1],
-    #                 [0.8, 1.0, 0.3, 0.2],
-    #                 [0.2, 0.3, 1.0, 0.9],
-    #                 [0.1, 0.2, 0.9, 1.0]])
-    # sentences = ["主题句子1", "主题句子2", "主题句子3", "主题句子4"]
 
     Z = linkage(matrix, method="average")
 
-    labels = fcluster(Z, t=0.5, criterion="distance")
+    mask = np.eye(matrix.shape[0], dtype=bool)
+    matrix = np.ma.masked_array(matrix, mask)
+    median = np.median(matrix)
+
+    labels = fcluster(Z, t=median, criterion="distance")
 
 
     # 根据簇标签和主题句子生成文章结构
@@ -29,3 +28,11 @@ def passage_outline(matrix,sentences):
             outline_list.append(sentence)
             outline = outline+f"- {sentence}\n"
     return outline,outline_list
+if __name__ == "__main__":
+    matrix = np.array([[1.0, 0.8, 0.2, 0.1],
+                [0.8, 1.0, 0.3, 0.2],
+                [0.2, 0.3, 1.0, 0.9],
+                [0.1, 0.2, 0.9, 1.0]])
+    sentences = ["主题句子1", "主题句子2", "主题句子3", "主题句子4"]
+    print(passage_outline(matrix,sentences)[0])
+    

run.py

@@ -25,7 +25,7 @@ from inference import BertClassificationModel
 
 text = "我今天的调研内容是大模型训练的关键技术与挑战。在现代机器学习任务中，大模型训练已成为解决复杂问题的重要手段。在本次报告中，我将介绍分布式并行加速、算法模型架构、内存和计算优化以及集群架构等关键技术。首先，分布式并行加速策略，包括数据并行、模型并行、流水线并行和张量并行等四种方式。这些策略帮助我们将训练数据和模型分布到多个设备上，以加速大模型训练过程。接下来，我们将介绍算法模型架构。Transformer网络模型是一种应用广泛的神经网络模型，基于自注意力机制。它在自然语言处理和计算机视觉任务中取得了显著的成果。此外，适用于万亿级稀疏场景的MoE模型，它通过混合专家模型来处理稀疏数据，具有良好的适应性。为了在有限的计算资源下实现大模型训练，我们需要采用内存和计算优化技术。在内存优化方面，我们激活重计算、内存高效优化器和模型压缩等技术。这些技术可以减少内存占用、降低内存消耗，从而提高训练效率。在计算优化方面，混合精度训练、算子融合和梯度累加等技术，以减少计算资源需求，进一步提升训练速度。最后，我们将讨论大模型训练的集群架构。选择合适的集群架构是实现大模型的分布式训练的关键。我们将介绍参数服务器模式（PS）和集合通讯模式（CC）两种流行的集群架构。PS架构通过Server和Worker之间的通信来更新模型参数，而CC模式中每个节点都是工作节点，负责模型训练并掌握当前最新的全局梯度信息。这些集群架构在大模型训练中起到了关键作用，帮助实现分布式训练并提高训练效率。综上所述，大模型训练需要综合考虑分布式并行加速、算法模型架构、内存和计算优化以及集群架构等多个方面。通过合理地优化这些方面，我们可以实现更高效的大模型训练，解决各种规模的机器学习问题。大模型训练的发展为我们提供了更多创新和突破的机会。大数据技术也为实现人工智能的进步和应用做出重要贡献。谢谢大家！"
 topic_num = 5
-max_length = 32
+max_length = 50
 
 article = util.seg(text)
 print(article)