一、介绍
LangChain是一个用于开发由语言模型驱动的应用程序的框架
官网
中文官网
python langchain
https://python.langchain.com.cn/docs/get_started/introduction
https://python.langchain.com/docs/get_started/introduction
二、模块
langchain中有六大核心模块,分别是
-
模型输入输出 ( Model I/O ):与语言模型进行接口对于模型,LangChain中可以使用如下三种的不同类型的模型
LLMs
大型语言模型(LLMs)是将文本字符串作为输入,并返回文本字符串作为输出。
聊天模型
聊天模型将聊天消息列表作为输入,并返回聊天消息。
文本嵌入模型
文本嵌入将文本作为输入,并返回一个浮点数列表。 -
检索:与特定于应用程序的数据进行接口
-
管道:构建调用序列
-
代理:让管道根据高级指令选择使用哪些工具
-
内存:在管道运行期间保持应用程序状态
-
回调:记录和流式传输任何管道的中间步骤
三、安装
1、永久设置pip源为国内源
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple
2、安装langchain 如果不想永久设置国内源,可以指定临时源
pip install langchain -i https://mirrors.aliyun.com/pypi/simple
四、基于LLM模型实现简单的程序
1、什么是大型语言模型(LLM)
大语言模型(LLM)是指使用大量文本数据训练的深度学习模型,可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务,如文本分类、问答、对话等,是通向人工智能的一条重要途径。
简单理解:
2、目前大型语言模型(LLM)实例
- GPT3/3.5/4(MoE),openAI公司
- LLaMA (Meta数据泄漏,开源社区狂欢)
- chatGLM (中文语料),清华大学开源
3、目前大型语言模型发展历程
GPT3 June 11,2020 发布
2022年11月,OpenAI发布GPT3.5 API的新模型(text-davinci-003)
2022 12月,互联网热度爆发
2022 12月,Langchain第一版发布
4、对于大语言模型的使用会遇到的几个问题
于是LangChain出现了
5、简单的LLM模型的应用程序
现在我们已经安装了 LangChain 并设置了我们的环境,我们可以开始构建我们的语言模型LLM应用程序了。
我们可以在自己的本地运行一个开源的LLM模型,但是性能好点的LLM模型需要庞大的GPU资源,家里一般电脑无法支撑,当然你如果有一个a100的显卡那可以
既然我们无法本地搭建,那就可找第三方已经搭建好的模型,有提供好的API供我们使用,比如
- 百度的 文心ERNIE
- 阿里 的通义千问
- Openai
- Replicate
这些公司都有API,通过这些API调用他们自己搭建好的模型
这里使用国外openai的API调用模型,所以我们首先需要安装他们的 SDK:
pip install openai -i https://mirrors.aliyun.com/pypi/simple
openai api key 获取参考
https://zhuanlan.zhihu.com/p/626463325
我们需要在终端设置环境变量。
export OPENAI_API_KEY="xxxx"
或者,你可以在 Jupiter 教程(或 Python 脚本)内部完成:
import os
os.environ["OPENAI_API_KEY"] = "xxxx"
比如我们要构建一个基于公司产品生成公司名称的服务。首先需要导入 LLM 包装器。
from langchain.llms import OpenAI
然后可以用任何参数初始化包装器。在这个例子中,我们可能希望输出更加随机,所以我们将以温度(temperature)初始化它。
llm = OpenAI(temperature=0.9)
如果你不想设置环境变量,你可以在初始化OpenAI LLM类时直接通过openai_api_key
命名参数传递密钥:
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
然后根据输入调用LLM
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text)) # Feetful of Fun
完整代码
import os
from langchain.llms import OpenAI
os.environ["OPENAI_API_KEY"] = "xxxx"
llm = OpenAI(temperature=0.9)
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))
上面案例演示了LLM最基本的功能:根据输入的文本生成新的文本
实际llm模块中的predict方法专门用于根据输入文本生成对应文本
所以上面的代码也可以如下实现
import os
from langchain.llms import OpenAI
os.environ["OPENAI_API_KEY"] = "xxxx"
llm = OpenAI()
llm.predict("What would be a good company name for a company that makes colorful socks?",temperature=0.9)
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,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。
所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~
本文转自 https://blog.csdn.net/pythonhy/article/details/140431729?spm=1001.2014.3001.5501,如有侵权,请联系删除。