书生大模型实战营L1:第四关:InternLM + LlamaIndex RAG 实践

科技   2024-11-22 00:06   山东  

         

 

         

 

InternLM/Tutorial: LLM&VLM Tutorial  教程在这里

今天学习第四关,目标是用最小的代价,让大模型能运用一些私有的知识库回答问题。这也是非常经济实惠的方案,那就是RAG。

一、检索增强生成(Retrieval Augmented Generation,RAG)的概念

给模型注入新知识的方式,可以简单分为两种方式:

一种是内部的,即更新模型的权重,另一个就是外部的方式,给模型注入格外的上下文或者说外部信息,不改变它的的权重。第一种方式,改变了模型的权重即进行模型训练,这是一件代价比较大的事情,大语言模型具体的训练过程,可以参考InternLM2技术报告

第二种方式,并不改变模型的权重,只是给模型引入格外的信息。类比人类编程的过程,第一种方式相当于你记住了某个函数的用法,第二种方式相当于你阅读函数文档然后短暂的记住了某个函数的用法。    

RAG 能够让基础模型实现非参数知识更新,无需训练就可以掌握新领域的知识。本次课程选用了 LlamaIndex 框架。LlamaIndex 是一个上下文增强的 LLM 框架,旨在通过将其与特定上下文数据集集成,增强大型语言模型(LLMs)的能力。它允许您构建应用程序,既利用 LLMs 的优势,又融入您的私有或领域特定信息。

举个例子:由于xtuner是一款比较新的框架, 浦语 API  训练数据库中并没有收录到它的相关信息。左图中问答均未给出准确的答案。右图未对 浦语 API  进行任何增训的情况下,通过 RAG 技术实现的新增知识问答。

二、LlamaIndex+InternLM API 实践

这种方式直接调用API,在 Intern Studio 服务器上部署LlamaIndex。用免费的算力学习真是不错

开发机申请好后进入

1.创建新的conda环境

conda create -n llamaindex python=3.10

查看conda环境

conda env list

运行 conda 命令,激活 llamaindex环境

conda activate llamaindex

安装python 依赖包

pip install einops==0.7.0 protobuf==5.26.1

2.2 安装 Llamaindex

安装 Llamaindex和相关的包

conda activate llamaindex

pip install llama-index==0.11.20

pip install llama-index-llms-replicate==0.3.0

pip install llama-index-llms-openai-like==0.2.0

pip install llama-index-embeddings-huggingface==0.3.1

pip install llama-index-embeddings-instructor==0.2.1

pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121

好不容易依次装完了

2.3 下载 Sentence Transformer 模型

选用开源词向量模型 Sentence Transformer (也可以用其他模型)运行以下指令,新建名为download_hf.py的python文件

cd ~

mkdir llamaindex_demo

mkdir model

cd ~/llamaindex_demo

touch download_hf.py    

打开download_hf.py 贴入以下代码

import os

#设置环境变量

os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

#下载模型

os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')

然后,在 /root/llamaindex_demo 目录下执行该脚本即可自动开始下载:

cd /root/llamaindex_demo

conda activate llamaindex

python download_hf.py

更多关于镜像使用可以移步至 HF Mirror 查看。

推荐用户从modelscope下载

https://modelscope.cn/models/Ceceliachenen/paraphrase-multilingual-MiniLM-L12-v2/summary

git lfs install

git clone https://www.modelscope.cn/Ceceliachenen/paraphrase-multilingual-MiniLM-L12-v2.git

2.4 下载 NLTK 相关资源

在使用开源词向量模型构建开源词向量的时候,需要用到第三方库的一些资源。正常情况下,其会自动从互联网上下载,但可能由于网络原因会导致下载中断,此处我们可以从国内仓库镜像地址下载相关资源,保存到服务器上。我们用以下命令下载 nltk 资源并解压到服务器上:

cd /root

git clone https://gitee.com/yzy0612/nltk_data.git  --branch gh-pages

cd nltk_data

mv packages/*  ./

cd tokenizers

unzip punkt.zip

cd ../taggers

unzip averaged_perceptron_tagger.zip

之后使用时服务器即会自动使用已有资源,无需再次下载。

3. LlamaIndex RAG效果对比

3.1 不使用 LlamaIndex RAG(仅API)

我们从浦语官方 API:https://internlm.intern-ai.org.cn/api/document 申请API调用,拿到API KEY

创建一个测试用python文件

cd ~/llamaindex_demo

touch test_internlm.py

文件中填入内容:

from openai import OpenAIbase_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"api_key = "此处填写自己的KEY"model="internlm2.5-latest"base_url = "https://api.siliconflow.cn/v1"api_key = "sk-请填写准确的 token!"    model="internlm/internlm2_5-7b-chat"client = OpenAI(api_key=api_key ,base_url=base_url,)chat_rsp = client.chat.completions.create(model=model,messages=[{"role": "user", "content": "xtuner是什么?"}],)for choice in chat_rsp.choices:print(choice.message.content)

然后运行python文件

conda activate llamaindex

cd ~/llamaindex_demo/

python test_internlm.py

回答结果是他不知道

显然,对于超过大模型能力范围的新知识,它也是无能为力 

 

3.2 使用 API+LlamaIndex


现在尝试用LlamaIndex RAG方案。

运行以下命令,获取关于Xtuner的知识,其实就是从github上面把xtuner的中文readme文件当成知识库处理了。

cd ~/llamaindex_demo

mkdir data

cd data

git clone https://github.com/InternLM/xtuner.git

mv xtuner/README_zh-CN.md ./

运行以下指令,新建一个python文件

cd ~/llamaindex_demo

touch llamaindex_RAG.py

打开llamaindex_RAG.py贴入以下代码 

import osos.environ['NLTK_DATA'] = '/root/nltk_data'from llama_index.core import VectorStoreIndex, SimpleDirectoryReaderfrom llama_index.core.settings import Settingsfrom llama_index.embeddings.huggingface import HuggingFaceEmbeddingfrom llama_index.legacy.callbacks import CallbackManagerfrom llama_index.llms.openai_like import OpenAILikeCreate an instance of CallbackManagercallback_manager = CallbackManager()api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"model = "internlm2.5-latest"api_key = "填写自己的API Key"api_base_url =  "https://api.siliconflow.cn/v1"model = "internlm/internlm2_5-7b-chat"api_key = "请填写 API Key"llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)    #初始化一个HuggingFaceEmbedding对象,用于将文本转换为向量表示embed_model = HuggingFaceEmbedding(#指定了一个预训练的sentence-transformer模型的路径model_name="/root/model/sentence-transformer")#将创建的嵌入模型赋值给全局设置的embed_model属性,#这样在后续的索引构建过程中就会使用这个模型。Settings.embed_model = embed_model#初始化llmSettings.llm = llm#从指定目录读取所有文档,并加载数据到内存中documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()#创建一个VectorStoreIndex,并使用之前加载的文档来构建索引。此索引将文档转换为向量,并存储这些向量以便于快速检索。index = VectorStoreIndex.from_documents(documents)创建一个查询引擎,这个引擎可以接收查询并返回相关文档的响应。query_engine = index.as_query_engine()response = query_engine.query("xtuner是什么?")print(response)

大模型还真的学会了回答新问题!

4. LlamaIndex web


运行之前首先安装依赖

pip install streamlit==1.39.0

运行以下指令,新建一个python文件

cd ~/llamaindex_demo

touch app.py

打开app.py贴入以下代码

import streamlit as stfrom llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settingsfrom llama_index.embeddings.huggingface import HuggingFaceEmbeddingfrom llama_index.legacy.callbacks import CallbackManagerfrom llama_index.llms.openai_like import OpenAILike           # Create an instance of CallbackManagercallback_manager = CallbackManager()           api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"model = "internlm2.5-latest"api_key = "填写你的API Key"           # api_base_url =  "https://api.siliconflow.cn/v1"    # model = "internlm/internlm2_5-7b-chat"# api_key = "请填写 API Key"           llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")st.title("llama_index_demo")           # 初始化模型@st.cache_resourcedef init_models():    embed_model = HuggingFaceEmbedding(        model_name="/root/model/sentence-transformer"    )    Settings.embed_model = embed_model               #用初始化llm    Settings.llm = llm               documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()    index = VectorStoreIndex.from_documents(documents)    query_engine = index.as_query_engine()               return query_engine           # 检查是否需要初始化模型if 'query_engine' not in st.session_state:    st.session_state['query_engine'] = init_models()           def greet2(question):    response = st.session_state['query_engine'].query(question)    return response                # Store LLM generated responsesif "messages" not in st.session_state.keys():    st.session_state.messages = [{"role": "assistant", "content": "你好,我是你的助手,有什么我可以帮助你的吗?"}]                   # Display or clear chat messagesfor message in st.session_state.messages:    with st.chat_message(message["role"]):        st.write(message["content"])           def clear_chat_history():    st.session_state.messages = [{"role": "assistant", "content": "你好,我是你的助手,有什么我可以帮助你的吗?"}]           st.sidebar.button('Clear Chat History', on_click=clear_chat_history)           # Function for generating LLaMA2 response    def generate_llama_index_response(prompt_input):    return greet2(prompt_input)           # User-provided promptif prompt := st.chat_input():    st.session_state.messages.append({"role": "user", "content": prompt})    with st.chat_message("user"):        st.write(prompt)           # Gegenerate_llama_index_response last message is not from assistantif st.session_state.messages[-1]["role"] != "assistant":    with st.chat_message("assistant"):        with st.spinner("Thinking..."):            response = generate_llama_index_response(prompt)            placeholder = st.empty()            placeholder.markdown(response)    message = {"role": "assistant", "content": response}    st.session_state.messages.append(message)

运行

streamlit run app.py

这里得设置好端口映射,我vscode连开发机,自动转发

访问http://localhost:8501,等待一会就出现这个界面了,可以,他真的学会了

  再下面我们尝试一下,教教大模型一点自己的知识吧。

还是先运行test_internlm.py,把问大模型的问题改成专业一点的

大模型给的回答是这样的,这属于看起来挺专业的,实际答非所问

现在就用RAG大法试一试。我把现有电子数据取证标准的列表放到data2文件夹下,修改一下llamaindex_RAG.py文件,继续问他同样的问题,他能找到一个答案了

毕竟我只给他一个名字列表,取证标准的内容我还没列上呢,这个完全可以做个不错的向导了,除了速度属实有点慢啊。看来知识库的质量是决定性的。

我又给他提供了公安部发布的电子数据取证规则,效果还真是不错啊,值得探索。晚安了。

         

 

   

l扫二维码报名一起学吧

         

 

   

网安杂谈
关注电子数据取证与网络犯罪调查
 最新文章