预训练AI大模型探索：Prompt技巧与Langchain框架实战

文章目录

• • 一、Prompt Engineering（怎么去提问大模型）
    • • 1）环境准备
        • 2）交互代码的参数备注
        • 3）交互代码
    • 二、LangChain（一个框架去使用大模型）
    • • 1）LangChain核心介绍：I/O模块、数据链接模块、记忆模块
        • 2）I/O模块（Prompts、Language models、Output parsers）
        • 3）数据链接模块（Data connection）
        • 4）记忆模块（针对多轮对话强相关，这种大模型有个特点：都是话痨）
    • 三、Fine-tuning（如果在自己领域中改变大模型）
    • • 1）from scratch：从头训练
        • 2）finetune：微调/接着别人的训练
        • • （1）全参数 fine tune
            • （2）小参数fine tune
            • （3）小参数的LoRA原理解析：
            • （4）训练大模型

一、Prompt Engineering（怎么去提问大模型）

1）环境准备

①安装OpenAI库

pip install --upgrade openai

• 附加

安装来源

python setup.py install

②生成API key

③设定本地的环境变量

④代码的准备工作

⑤在代码运用prompt（简单提问和返回）

2）交互代码的参数备注

temperature：随机性（从0到2可以调节，回答天马行空变化大可以选2）

model：跟什么类型的model互动

role：（定义交互中的角色）

①user：交互中的我

②assistant：交互中的model

③system：交互中的大环境（需要预先设定。比如告诉模型，你是一个AI专家，在接下来的互动中，回答尽量用专业术语）

3）交互代码

• 单论交互代码

import openai
import os

#从.env文件中读取 key-value键值对，并将其设置为环境变量
from dotenv import load_dotenv,find_dotenv 
_ = load_dotenv(find_dotenv())

#获取OPENAI_API_KEY对应键值对数据
openai.api_key = os.getenv('OPENAI_API_KEY')




def getResponse(prompt,model='gpt-3.5-turbo-16k-0613'):
    messages = [
        {'role':'user',
         'content':prompt}]  #只有单论对话
    response = openai.ChatCompletion.create(
        model = model,
        messages = messages,
        temperature = 0,            #对应随机性，0随机性最小
    )



def example():
    instruction = """
        帮我生成一个课程的大概框架，主题是prompt的框架，150字之内
    """
    prompt = f"""
        {instruction}
    """
    response = getResponse(prompt)
    print(response)
    return response.choices[0].messages['content']

二、LangChain（一个框架去使用大模型）

• 介绍

通过输入自己的知识库来定制化自己的大语言模型

1）LangChain核心介绍：I/O模块、数据链接模块、记忆模块

• 备注

这篇文章主讲I/O模块、数据链路模块、记忆模块（时间关系讲的少）

• 模块主题可以完整拆分为6部分

①
I/O模块

②
数据链路模块

③
记忆模块

④链（Chain）模块

⑤智能体（Agent）模块

⑥Callbacks

2）I/O模块（Prompts、Language models、Output parsers）

①Prompts：主要管理/协助构送入model的输入

②Language models：用哪种model

1）LLM：普通的model（大语言模型）

from langchain.llms import OpenAI
llm = OpenAI() #默认是text-davinci-003 模型
print(llm.predict("Hello, "))

2）chat_models：对话式model

from langchain.chat_models import ChatOpenAI
chat_model = ChatOpenAI()  #默认是gpt-3.5-turbo
print(chat_model.predict("Hello, "))

③Output parsers：解析输出结果

3）数据链接模块（Data connection）

• 整体流程图

• 流程解释

①source：数据源

②load：加载器

这里介绍一个文件加载器 Document loaders,能加载CSV\HTML\JASON\Markdown\PDF

from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader(""WhatisChatGPT.pdf")
pages  = loader.load_and_split()

print(pages[0].page_content) 

③Transfrom （数据转换，也就是对数据的
预处理
）

1）splitters：将数据按照要求切开成数据块，如按text，按character

2）translate：将数据翻译

translator = DoctraTextTranslator(
	openai_api_model = "gpt-3.5-turbo",language="chinese") # 定义translate
translated_document = await translator.atransform_documents(pages) # 使用translate
print(translated_document[0],page_content)

④embed操作

这里的translate就是将人类语言的数据转成模型认识的
特征（feature）
（所谓特征：在数学上就是一组张量，也就是一组数字）

⑤store储存和retirve

看哪个数据最合适，
比对
之后从store的地方拿出来

• 向量和向量之间如何比对？

1）常用的方式：余弦举例（看向量之间的夹角越小越进）

2）最直接：欧式距离（看坐标点距离）

# 1)存储
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import FAISS

# 2)embedding
embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(paragraphs,embeddings)

# 3)比对
query = "What can ChatGPT do?"
docs = db.similarity_search(query)
print(docs[0].page_content)

4）记忆模块（针对多轮对话强相关，这种大模型有个特点：都是话痨）

①基本原理构造

从之前的提问数据写回去，再提问的时候丢给Prompt（这里回答的内容是
你也好啊
和
你又好啊
）

from langchain.memory import ConversationBufferMemory

history = ConversationBufferMemory()
history.save_context({"input":"你好啊"},{"output":"你也好啊"}) #保存字符串
# 打印保存的字符串
print(history.load_memory_variables({}))

history.save_context({"input":"你再好啊"},{"output":"你又也好啊"}) #保存字符串
# 打印保存的字符串
print(history.load_memory_variables({}))

②如果上下文太长怎么办？(给定特定参数)

from langchain.memory import ConversationBufferWindowMemory

window = ConversationBufferWindowMemory(k=2)  #k值参数决定保留多长参数
window.save_context()

③或是自动对历史信息取最摘要（ConversationSummaryMemory）

三、Fine-tuning（如果在自己领域中改变大模型）

• 训练成本

可以看到LLaMA这个模型，训练一轮需要21天，没个几百万不行，包括存储数据的成本

1）from scratch：从头训练

2）finetune：微调/接着别人的训练

（1）全参数 fine tune

• 备注

全部参数都参与调试

（2）小参数fine tune

• 备注

小部分参数加入调试

• 举例

①Adapter

②prompt tuning

③LoRA

（3）小参数的LoRA原理解析：

原始模型量：R（dxd），比如 4096x406，这个是LLaMA的真实参数量（神经网络的d乘d阶乘）

Efficient模型量：R(dxr)，比如 r=8，这个是真实实验数值

• 代码库

• 代码

• 参数解释

（4）训练大模型

创建训练器trainer

• 提供训练数据

①context：我说了啥

②target：我期待模型返回给我什么