书生大模型实战营第4期（L1G4000-InternLM + LlamaIndex RAG 实践）

已于 2024-12-12 23:55:00 修改
阅读量1.8k 收藏 42
点赞数 26
分类专栏： 书生大模型实战营 文章标签： 语言模型
于 2024-11-07 13:31:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/lengjing234789/article/details/143532318
版权

文章目录

1 环境、模型准备

1.1 创建开发机

在这里插入图片描述

1.2 安装conda

由于第一次尝试使用魔搭，没有集成conda，需要单独安装，但是运行到后面可能由于版本冲突，导致失败，重新使用实战营的开发机进行尝试，可以跳过此步骤。

1.2.1 下载安装包

#下载安装包
wget -c https://repo.anaconda.com/archive/Anaconda3-2022.05-Linux-x86_64.sh

1.2.2 修改文件操作权限

#给执行权限
chmod 775 Anaconda3-2022.05-Linux-x86_64.sh

1.2.3 运行安装包与修改安装目录

执行以下命令进入安装过程

#执行安装过程--安装过程中要选yes 和按下enter
bash Anaconda3-2022.05-Linux-x86_64.sh

安装过程中需要回车来阅读用户协议，一直回车到协议结束，出现是否接受的询问，如下图，此时输入yes，会继续安装
在这里插入图片描述
接受用户协议之后会询问是否修改conda的安装路径，默认安装在/root/anaconda3，如果使用实战营的开发机需要改到share目录下，确保数据不被删除
注意：如果安装位置会被开发机重置或清空时，为避免重启后重复安装，需要将安装目录改到持久化存储的目录，我的是改到/mnt/workspace/anaconda3
在这里插入图片描述

1.2.4 添加清华源

某些软件由于原下载地址下载网速较慢，可以使用清华源提高软件包下载速度

#配置清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --set show_channel_urls yes
conda config --get channels

1.3 环境配置

1.3.1 使用conda创建并激活环境

环境名为：llamaindex

conda create -n llamaindex python=3.10

1.3.2 安装python依赖

conda activate llamaindex
pip install einops==0.7.0 protobuf==5.26.1
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121

在这里插入图片描述

1.4 模型准备

1.4.1 安装 Llamaindex

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

在这里插入图片描述

1.4.2 下载Sentence Transformer 模型

当前目录下，运行以下指令，新建一个python文件

cd ~
mkdir llamaindex_demo
mkdir model
cd ~/llamaindex_demo
touch download_hf.py

在这里插入图片描述
在这里插入图片描述
编辑download_hf.py脚本文件，输入如下代码，注意下载模型命令中文件保存的路径，如果是使用实战营的开发机，可直接使用下面的命令，如果不是需要修改下载模型命令中目录到自己需要的位置

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')

然后，在llamaindex_demo 目录下执行该脚本即可自动开始下载：

conda activate llamaindex
python download_hf.py

在这里插入图片描述
若出现下载失败，清空model文件夹，使用以下代码下载

apt install git-lfs
cd ~
cd model/
git lfs install
git clone https://www.modelscope.cn/Ceceliachenen/paraphrase-multilingual-MiniLM-L12-v2.git

1.4.3 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 nltk 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：
和1.6一样需要注意目录问题，若是使用实战营的开发机可直接使用以下命令，若不是需要将第一行命令中目录修改至需要位置，比如我修改后的是：cd /mnt/workspace

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

完成后效果如图
在这里插入图片描述

2 LlamaIndex 使用前后对比

2.1 未使用 LlamaIndex RAG

2.1.1 获取token

登录网站：token获取地址
按照下图操着步骤依次操作，给token命名，然后点击“提交”，将生成的token保存到其他地方。
在这里插入图片描述

2.1.2 新建并编辑demo文件

在llamaindex_demo中新建文件
在这里插入图片描述
编辑test_internlm.py，录入以下代码，使用2.1.1中生成的token赋值给api_key(替换语句 api_key = "token"中引号里的token)
注意：实战营文档中base_url最后多了一个逗号，这里已经需要删除

from openai import OpenAI

base_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
api_key = "token"
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)

2.1.3 运行效果

conda activate llamaindex
cd ~/llamaindex_demo/
python test_internlm.py

执行以上命令，得到下图结果，可见回答并不令人满意
在这里插入图片描述

2.2 使用 API+LlamaIndex RAG

2.2.1 获取知识库

conda activate llamaindex
cd ~/llamaindex_demo
mkdir data
cd data
git clone https://github.com/InternLM/xtuner.git
mv xtuner/README_zh-CN.md ./

完成后图下图
在这里插入图片描述

2.2.2 创建并编辑测试程序

在这里插入图片描述
文档中输入以下代码
注意：代码中的api_key需要重新赋值为2.1.1中创建的token

import os 
os.environ['NLTK_DATA'] = '/root/nltk_data'

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.settings import Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.legacy.callbacks import CallbackManager
from llama_index.llms.openai_like import OpenAILike

# Create an instance of CallbackManager
callback_manager = CallbackManager()

api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
model = "internlm2.5-latest"
api_key = "请填写 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/paraphrase-multilingual-MiniLM-L12-v2"
)
#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llm
Settings.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/xtuner").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)

2.2.3 运行效果

运行以下命令，执行代码

conda activate llamaindex
cd ~/llamaindex_demo/
python llamaindex_RAG.py

执行结果如图
在这里插入图片描述

2.3 LlamaIndex web

安装依赖

pip install streamlit==1.39.0

创建文件

cd ~/llamaindex_demo
touch app.py

将以下代码写入app.py中，注意token

import streamlit as st
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.legacy.callbacks import CallbackManager
from llama_index.llms.openai_like import OpenAILike

# Create an instance of CallbackManager
callback_manager = CallbackManager()

api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
model = "internlm2.5-latest"
api_key = "请填写 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_resource
def init_models():
    embed_model = HuggingFaceEmbedding(
        model_name="/root/model/paraphrase-multilingual-MiniLM-L12-v2"
    )
    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 responses
if "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 messages
for 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 prompt
if 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 assistant
if 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)

执行以下命令，运行效果如图

streamlit run app.py

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值