百万arXiv论文元信息训练语料！ChatGenTitle帮你一键生成论文题目

{
    "id":string"0704.0001",
    "submitter":string"Pavel Nadolsky",
    "authors":string"C. Bal\'azs, E. L. Berger, P. M. Nadolsky, C.-P. Yuan",
    "title":string"Calculation of prompt diphoton production cross sections at Tevatron and LHC energies",
    "comments":string"37 pages, 15 figures; published version",
    "journal-ref":string"Phys.Rev.D76:013009,2007",
    "doi":string"10.1103/PhysRevD.76.013009",
    "report-no":string"ANL-HEP-PR-07-12",
    "categories":string"hep-ph",
    "license":NULL,
    "abstract":string" A fully differential calculation in perturbative quantum chromodynamics is presented for the production of massive photon pairs at hadron colliders. All next-to-leading order perturbative contributions from quark-antiquark, gluon-(anti)quark, and gluon-gluon subprocesses are included, as well as all-orders resummation of initial-state gluon radiation valid at next-to-next-to-leading logarithmic accuracy. The region of phase space is specified in which the calculation is most reliable. Good agreement is demonstrated with data from the Fermilab Tevatron, and predictions are made for more detailed tests with CDF and DO data. Predictions are shown for distributions of diphoton pairs produced at the energy of the Large Hadron Collider (LHC). Distributions of the diphoton pairs from the decay of a Higgs boson are contrasted with those produced from QCD processes at the LHC, showing that enhanced sensitivity to the signal can be obtained with judicious selection of events. ",
    "versions": 
}

# 下载项目
git clone https://github.com/tloen/alpaca-lora.git

# 安装依赖
pip install -r requirements.txt

# 转化模型
python src/transformers/models/llama/convert_llama_weights_to_hf.py \
    --input_dir ../model/ \
    --model_size 7B \
    --output_dir ../model/7B-hf

# 单机单卡训练模型
python finetune.py \
    --base_model '../model/7B-hf' \
    --data_path '../train.json' \
    --output_dir '../alpaca-lora-output'

# 单机多卡(4*A100)训练模型
WORLD_SIZE=4 CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --nproc_per_node=4 --master_port=3192 finetune.py \
    --base_model '../model/7B-hf' \
    --data_path '../train.json' \
    --output_dir '../alpaca-lora-output' \
    --batch_size 1024 \
    --micro_batch_size 128 \
    --num_epochs 3

# 推理
python generate.py \
    --load_8bit \
    --base_model '../model/7B-hf' \
    --lora_weights '../alpaca-lora-output'

If you are an expert in writing papers, please generate a good paper title 
for this paper based on other authors' descriptions of their abstracts.

<你论文的摘要>：Waste pollution is one of the most important environmental problems in the modern world. 
With the continuous improvement of the living standard of the population and the increasing richness of the consumption structure, 
the amount of domestic waste generated has increased dramatically and there is an urgent need for further waste treatment of waste. 
The rapid development of artificial intelligence provides an effective solution for automated waste classification. 
However, the large computational power and high complexity of algorithms make convolutional neural networks (CNNs) unsuitable for real-time embedded applications. 
In this paper, we propose a lightweight network architecture, Focus-RCNet, designed with reference to the sandglass structure of MobileNetV2, which uses deeply separable convolution to extract features from images. 
The Focus module is introduced into the field of recyclable waste image classification to reduce the dimensionality of features while retaining relevant information. 
In order to make the model focus more on waste image features while keeping the amount of parameters computationally small, we introduce the SimAM attention mechanism. 
Additionally, knowledge distillation is used to further compress the number of parameters in the model. 
By training and testing on the TrashNet dataset, the Focus-RCNet model not only achieves an accuracy of 92%, but also has high mobility of deployment.