当前位置： 首页 > article >正文

书生实战营第四期-基础岛第四关-InternLM + LlamaIndex RAG 实践

article 2024/11/17 0:01:00

一、任务要求1

基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。

1、配置开发机系统

镜像：使用 Cuda12.0-conda 镜像

资源配置： 30% A100 * 1 

2、创建conda环境

conda create -n llamaindex python=3.10

 

激活环境、安装python 依赖包

conda activate llamaindex

pip install einops==0.7.0 protobuf==5.26.1

  

3、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
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121

 

 

 

 

 

 

4、下载 Sentence Transformer 模型

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

 

打开download_hf.py 贴入代码

 

运行download_hf.py

 

5、下载 NLTK 相关资源

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

 

6、 不使用 LlamaIndex RAG（仅API）

cd ~/llamaindex_demo
touch test_internlm.py

打开test_internlm.py文件贴入代码 

from openai import OpenAI

base_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/",
api_key = "sk-请填写准确的 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)

 此时浦语 API 模型回答内容的不是很好。

7、使用 API+LlamaIndex

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

 

cd ~/llamaindex_demo
touch llamaindex_RAG.py

打开llamaindex_RAG.py贴入代码

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").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)

 

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

 

此时浦语 API 的回答就很完美 。

8、  LlamaIndex web

安装依赖

pip install streamlit==1.39.0

 

新建文件 

 cd ~/llamaindex_demo
touch app.py

贴入代码

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)

运行

streamlit run app.py 

端口映射

 

进入网页提问

 

二、任务要求2

基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 InternLM2-Chat-1.8B 模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。

1、LlamaIndex HuggingFaceLLM

软连接InternLM2 1.8B 

cd ~/llamaindex_demo
touch llamaindex_internlm.py

1526f2bef07a474b906ffef1cd287570.png

打开 llamaindex_internlm.py 贴入代码 

from llama_index.llms.huggingface import HuggingFaceLLM
from llama_index.core.llms import ChatMessage
llm = HuggingFaceLLM(
    model_name="/root/model/internlm2-chat-1_8b",
    tokenizer_name="/root/model/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)

rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
print(rsp)

运行

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

a5cc945102df4be09dc77ef2261b3c99.png  InternLM2-Chat-1.8B 模型不会回答

2、LlamaIndex RAG

8924721d849649129d58c1dd9e911354.png

借助 RAG 技术InternLM2-Chat-1.8B 模型能够回答 

 3、LlamaIndex web

三、附笔记

1.检索增强生成（RAG）工作原理

1）Indexing索引：将知识源（如文档或网页）分割成小块，编码成向量：并存储在向量数据库中。

2）Retrieval检索：接收到用户的问题后，将问题也编码成向量：并在向量数据库中找到与之最相关的文档块(top-k chunks)。
3）Generation生成：将检索到的文档块与原始问题一起作为提示（prompt）输入到LLM中，生成最终的回答。


2.给模型注入新知识的两种方式

1）内部的，即更新模型的权重。改变了模型的权重即进行模型训练，代价比较大。

2）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。

3、LlamaIndex

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。


http://www.kler.cn/a/386059.html

相关文章：

  • 探索IDE的无限可能：使用技巧与插件推荐
  • 制作图片马常用的五种方法总结
  • 聊天服务器(9)一对一聊天功能
  • Unity图形学之Blend指令
  • 试编写算法将单链表就地逆置(默认是带头节 点，如果是不带头节点地逆置呢?)
  • FlinkPipelineComposer 详解
  • uni-app开发小程序【uni.showToast字数超过两行自动省略显示不全问题】
  • 论文阅读：基于语义分割的非结构化田间道路场景识别
  • SpringBoot开发——Spring Boot 3种定时任务方式
  • 深入探索哈尔滨二级等保下的负载均衡SLB及其核心算法
  • FineBI帆软 FCA-数据分析理论 正确答案
  • 【spark面试】spark的shuffle过程
  • 【QT项目】QT6项目之基于C++的通讯录管理系统（联系人/学生管理系统）
  • Python世界：力扣题704二分查找
  • 大型语言模型（LLMs）关键技术指南
  • 科技改变生活：最新智能开关、调光器及插座产品亮相
  • ElasticSearch学习篇16_《检索技术核心20讲》进阶篇之空间检索
  • 无人机影像处理系统技术选型
  • 云计算：定义、类型及对企业的影响
  • MATLAB filtic函数使用详解
  • Seata — 分布式事务
  • .Net IOC理解及代码实现
  • 开源模型应用落地-glm模型小试-glm-4-9b-chat-批量推理（二）
  • 阿里云aliyun gradle安装包下载地址
  • Kotlin-面向对象之构造函数、实例化和初始化
  • Vue3+axios+Vite配置Proxy代理解决跨域