怎么使用langchain加载模型?langchain加载模型的几种方式

AIGC实用场景-ChatBI架构设计 ChatBI作为一种创新的商业智能解决方案,通过自然语言处理技术显著降低了数据分析的门槛,使得非技术用户也能轻松地获取数据洞察。其架构设计以用户需求为导向,融合了先进的大型语言模型,提供了高效、直观的数据分析体验。腾讯云ChatBI的成功实践进一步证明了ChatBI在实际业务中的应用价值和市场潜力。 阅读详情
AI摘要

介绍LangChain加载模型的三种方式:第三方模型服务、HuggingFace模型库及自定义模型,并分享AI大模型的学习路线,涵盖初阶应用、高阶应用、模型训练与商业闭环四大阶段。

今天就其模型的功能模块介绍一下怎么加载模型。

在这里插入图片描述
langchain的官网架构图

目前来说langchain加载模型主要有三种形式:

加载第三方模型服务,比如openAI,阿里云通义千问,百度文心一言,chatGLM开源模型等。

包主要在langchain.llms中,代码如下所示:

在这里插入图片描述

第二种是从huggingface上加载开源模型,huggingface是一个类似于github的开源模型仓库,上面有大量的开源大模型。

这种方式是把大模型加载到本地,所以本地如果硬件配置不行一些模型可能会跑不起来。

开发者可以通过以下方式,对大模型进行封装API,然后对外提供服务。

在这里插入图片描述

第三种是本地自定义大模型,在大部分情况下,我们直接使用第三方的模型服务或开源模型已经能够满足我们大部分需求;但在某些情况下,这些服务无法满足我们的需求,我们需要自定义模型。

但自定义模型又不能被langchain直接调用,所以我们就需要按照langchain的格式封装我们自己的大模型。也可以类似于第一种情况,把大模型打包成服务,然后让langchain通过API调用。

from langchain.llms.base import LLM
# langchain中文文档 自定义模型
# https://python.langchain.com.cn/docs/modules/model_io/models/llms/how_to/custom_llm

from typing import Any, List, Mapping, Optional

from langchain.callbacks.manager import CallbackManagerForLLMRun
from langchain.llms.base import LLM

class CustomLLM(LLM):
    n: int    
    
    @property    
    def _llm_type(self) -> str:   
        return "custom"    
        
    def _call(     
        self,        
        prompt: str,        
        stop: Optional[List[str]] 
= None,
        run_manager: Optional[CallbackManagerForLLMRun] = None,   
    ) -> str:   
        if stop is not None:     
            raise ValueError("stop kwargs are not permitted.")        
        return prompt[: self.n]    
        
    @property    
    def _identifying_params(self) -> Mapping[str, Any]:   
        """Get the identifying parameters."""        
        return {"n": self.n}       

总结来说,调用大模型无非两种形式,一种是通过API的方式调用,即把大模型打包成一个服务,所有请求都可以通过其提供的接口使用。类似于第一种情况。

后两种是自己部署大模型,一个是从huggingface仓库中下载模型,一个是自己设计开发模型。

第一种是langchain调用第三方大模型接口,后两种是自己直接把大模型与langchain进行集成。前者更方便,后者掌控性更强。

开发者可以根据自己的业务需求,选择合适的集成方法。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
使用LangChain加载多种格式的文件 LangChain 是一个开源框架,旨在简化与语言模型交互的应用程序的构建流程。它提供了多种加载器,可以轻松地从各种文件格式中提取数据。本文将详细介绍如何使用LangChain来加载文本、PDF、Word、Excel、CSV、HTML、Markdown 等不同格式的文件。通过本文,我们学习了如何使用LangChain来加载不同格式的文件。每个加载器都有其特定的功能和用途,可以根据实际需求选择合适的加载器。如果PDF文件是扫描件或图像形式的,需要先使用OCR技术将图像转换为文本。加载 Excel 文件。 阅读详情

相关推荐

构建 LLM 应用为什么需要文本加载器,langchain 中如何使用文本加载器?

有关支持哪些 csv 参数的更多信息,请参阅 csv 模块文档python复制代码 loader = CSVLoader(file_path='./example_data/mlb_teams_2012.csv', csv_args={})本文主要介绍了 langchain 中已经提供的文本加载器txtcsvpdfmarkdownhtmljson,以及基本的使用方式和使用场景。这些不同类型的文本加载器加载完成文本后langchain都统一为Document对象,提供使用。

2401_85782938的博客 1155

Win10(CPU)+ Anaconda3 + python3.9安装pytorch

Win10(CPU)+ Anaconda3 + python3.9安装pytorch

AAI666666的博客 2466

CUDA Setup failed despite GPU being available.

CUDA Setup failed despite GPU being available. Please run the following command to get more information: python -m bitsandbytes Inspect the output of the command and see if you can locate CUDA libraries. You might need to add them to your LD_LIBRARY_PATH.

qq_42681787的博客 4803

ChatBI- ChatGPT的垂直领域思考

通过类ChatGPT对话式问答方式,实现BI工作全范围覆盖。按照BI的智能问答程度及模式,分为五大阶段,在L3阶段后,BI开始具备智能数据准备(数据建模)、数据分析及智能问答能力。目前,市场上的智能BI(AI+BI),整体上处于L2到L3的转变阶段。

zdsx1104的专栏 1万+

OmniParse:解锁生成式AI潜能的全能数据解析框架

它不仅能够从常见的文档、表格、图像、视频、音频文件中精准提取信息,还能深入网页的复杂结构,挖掘隐藏的价值。在当今信息爆炸的时代,非结构化数据如潮水般涌来,而如何有效驾驭这些数据,使之成为驱动智能应用的燃料,成为了业界亟待解决的挑战。:在隐私保护日益重要的当下,OmniParse选择在本地运行,避免了数据外传的风险,确保了敏感信息的安全性。在这里,您将发现详尽的文档、实时更新的代码库以及活跃的社区,共同探索非结构化数据的无限可能。:采用Gradio构建的用户界面,直观易用,即便是非技术用户也能轻松上手。

这里汇聚了前沿的技术分享与实用的开发技巧,带你探索从创意到企业的技术创业之路。 2648

langchain加载模型时出现ConnectionError: (ProtocolError(‘Connection aborted.‘的解决方案

本文主要介绍了langchain加载模型时出现ConnectionError: (ProtocolError('Connection aborted.'的解决方案,希望能对使用langchain的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 2万+

关于langchain使用API加载model的方式

定义工具函数"""获取当前天气情况。输入地点,如'上海'"""weather_conditions = ["晴天", "多云", "雨天"]return f"{location}今天是{random_weather}。# 查询当前时间的工具"""获取当前时间"""return f"当前时间:{formatted_time}。创建tool列表请根据以下的 JSON 格式提供工具信息。type字段固定为"function";function字段为 Object 类型;name。

m0_67547784的博客 1081

Cadence Allegro 17.4学习记录开始00

Cadence Allegro 有三个版本,16.6,17.2,17.4。现在主要学习最新的版本17.4.原理图设计:OrCADPCB设计:Allegro主要用到的就下面三个图片软件:PCB Editor 17.4 是用来画PCB和元器件封装的;Padstack Editor 17.4 是用来画元器件焊盘的;Capture CIS 17.4 是用来画原理图和原理图库的。其实Cadence还有很多功能,现在计划先学习以上内容,后面熟悉了这个软件,还可以继续学习放仿真等功能。

qq_31444421的博客 7446

langchain加载本地中文模型的4种方法

langchain如何加载本地中文模型

qq_29837229的博客 1万+

多路输出电源的交叉调整率:从理论到无源优化实践

本文深入探讨了多路输出电源中的交叉调整率问题,分析了其物理根源及无源优化方法。通过漏感与耦合的理论分析,结合加权反馈、电感耦合等五种无源优化技术,帮助工程师有效解决交叉调整率挑战。文章还以TDK-Lambda CUT75系列为例,展示了优化技术的实际应用与效果。

weixin_26886855的博客 280

12V INPUT电源电路设计中的关键保护机制解析【精简】

本文深入解析了12V INPUT电源电路设计中不可或缺的关键保护机制。针对常见的电源反接、过压及浪涌等风险,文章详细拆解了PMOS防反接、TVS过压钳位、OVP芯片关断以及快速断电电路等核心防护方案的设计原理、选型要点与实战优化技巧,旨在帮助工程师构建可靠、经济的电源前端防御体系。

weixin_29158047的博客 228

通过 LangChain 加载大模型

因为 LLM 的 API 只是提供了一个非常基础的调用方式,当我们需要构建一个复杂的 Chat Bot 时,就需要考虑如何保存聊天的上下文、网络搜索、加载 PDF 等工程问题, 而LangChain 提供了一种解决方案,让开发者可以专注于业务逻辑的开发。

2401_85328934的博客 1382

CATIA二次开发一一一装配体与零件之间的坐标转换

输入参数:Product(产品实例对象)、iPointToTransfor(待转换坐标点CATMathPoint)核心逻辑:通过产品对象的绝对位置变换矩阵,计算逆向变换实现坐标系转换。输出参数:Point(转换后的局部坐标点CATMathPoint)

工业软件开发 1129

langchain下如何加载embeding模型

本文主要介绍基于langchain构建RAG应用时,如何下载embeding模型供应用使用

u011160113的博客 2270

Universal Robot——在Gazebo中模拟UR5机器人

今天的目标是在Gazebo安装我们的ur5机器人。Gazebo是一个流行的模拟工具,它不仅可以让你像在Rviz中一样可视化你的机器人,而且还内置了一个物理引擎。这样你就可以在更真实的环境中测试你的机器人应用程序。我们将查看我们需要的属性 添加对我们的机器人——我们的order的描述,以模拟它以及如何在Gazebo中生成我们的机器人。

如果想成为中心,那么就到中心去吧。 1969

Pointnet++改进90:2025最新改进模块-EVA模块

本教程提出了一种改进PointNet++特征提取模块的方法,通过在PointNetSetAbstraction模块中加入NAMAttention注意力机制,显著提升了模型性能。具体改进包括:1)新建eva.py文件,实现了包含SDLSKA、CKS等关键组件的EVA模块;2)在pointnet2_utils.py中添加Conv和PointNetSetAbstractionAttention类,整合注意力机制;3)修改pointnet2_sem_seg.py模型结构。这种改进方法降低了实现难度,同时保持了33F

AIcurator的博客 361

LangChain 入门8 加载huggingface模型的案例对比

langchain加载 huggingface模型和ollama 的一些区别在于它们的使用场景、安装部署方式、以及与LangChain的集成方式。Hugging Face模型通常托管在Hugging Face Model Hub上,可以用于多种自然语言处理任务,如文本分类、问答、文本生成等。Ollama专注于运行大型语言模型(LLMs),如Llama 2和Mistral,提供了本地运行这些模型的能力。Hugging Face模型可以通过Hugging Face Hub直接调用,也可以本地安装和运行。

weixin_41870426的博客 3572

环形平滑标签(Circular Smooth Label, CSL)技术详解

环形平滑标签(CSL)是一种优化算法,旨在解决旋转目标检测中角度预测的边界问题。通过将角度回归转化为分类任务,并利用窗口函数平滑标签分布,CSL有效处理了角度周期性的梯度突变问题。其核心原理包括角度离散化和平滑标签编码,通过高斯、矩形、三角等窗口函数生成概率分布。CSL在技术实现上涉及标签转换流程、模型结构调整和损失函数优化,显著提升了检测精度和稳定性。在DOTA数据集上的实验表明,CSL在mAP和角度误差方面优于传统方法。应用场景包括遥感图像分析、自动驾驶和工业质检,部署时需注意旋转NMS编译和ONNX导

浩瀚之水的专栏 640

使用LangChain框架加载与解析txt,markdown,pdf,jpg格式文档

使用LangChain库进行文档加载,对于txt,md,pdf格式的文档,都可以用LangChain类加载,UnstructuredFileLoader(txt文件读取)、UnstructuredFileLoader(word文件读取)、MarkdownTextSplitter(markdown文件读取)、UnstructuredPDFLoader(PDF文件读取),对于jpg格式的文档,我这里提供了一种思路。

qq_45257495的博客 1万+

VTK实战完整教程介绍

该专栏以VTK提供的Example为基础,讲解VTK中的相关接口和使用方法。订阅该专栏,带你了解所有VTK的功能,以便VTK更好的解决工作中遇到的问题。一起学习起来吧!

qq_40041064的博客 2505

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【构建RAG第一步,使用langchain来给大模型语言LLM加载各种文档】

本章开始使用大模型来搭建自己的RAG系统(检索增强),本篇文章主要讲的是搭建RAG的第一步,使用langchain来加载文档。后面还会继续写系列文档,如文件切片,嵌入向量化,向量存储,各种检索链等。这里我先贴一个使用langchain来实现RAG的整体流程图:本文的内容均是我在本地搭建的环境进行开发的,在这篇文章开始前我已经搭建好了本地deepseek的开发环境了,如果没有搭建可以参考我的博客,我先附一下链接。

weixin_43760399的博客 947

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

LangChain - 文档加载

一、关于 检索 二、文档加载器 入门指南 三、CSV 1、使用每个文档一行的 CSV 数据加载 CSVLoader 2、自定义 csv 解析和加载 (csv_args 3、指定用于 标识文档来源的 列(source_column 四、文件目录 file_directory 1、加载文件目录数据(DirectoryLoader 2、显示进度条 (tqdm,show_progress 3、使用多线程 (use_multithreading 4、更改加载器类(loader_cls 5、使用 TextLoader

AI工程化、开源分享、文档翻译、代码笔记 3724

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

LangChain调用大模型的两种方式

通过上述代码就将大模型下载到本机,这里下载的是Qwen2.5-1.5b模型,如果需要下载其他模型可以登录莫塔社区官网的大模型模块中自行选择,上面也有很详细的下载方法,此处不再赘述。此方式需要先到 https://ollama.com/ 下载Ollama并进行安装,安装成功后打开一个终端运行 ollama run qwen2.5:3b,意思是拉取并运行qwen2.5:3b。LangChain 社区包:pip install langchain-community。2、使用本机部署的大模型。

sinat_34898805的博客 1695
上一篇: 无限可能LangChain——开启大模型世界
下一篇: 本地可以Run大模型吗?Llama3?安排!
AI程序猿人
博客等级 码龄3年 6517粉丝 561原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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