书生大模型实战营-基础关-Llamaindex RAG实践

配置环境

# 创建虚拟环境
conda create -n llamaindex
conda activate llamaindex

# 安装依赖
## pytorch
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
pip install einops
pip install  protobuf

## llamaindex
pip install llama-index==0.10.38 llama-index-llms-huggingface==0.2.0 "transformers[torch]==4.41.1" "huggingface_hub[inference]==0.23.1" huggingface_hub==0.23.1 sentence-transformers==2.7.0 sentencepiece==0.2.0

## llamaindex依赖，与embeddings
pip install llama-index-embeddings-huggingface llama-index-embeddings-instructor

模型下载

Embedding模型

创建download_hf.py脚本，下载huggingface上的模型，内容如下：

import os

# 设置环境变量
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

# 下载模型至/root/models/sentence-transformer
os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/models/sentence-transformer')

下载 NLTK

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

LlamaIndex实操

基于LlamaIndex的HuggingFaceLLM接口加载模型

from llama_index.llms.huggingface import HuggingFaceLLM
from llama_index.core.llms import ChatMessage


# 加载模型
llm = HuggingFaceLLM(
    model_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
    tokenizer_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)

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

运行上述代码，得到下述结果：

LlamaIndex的RAG实操

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings #向量库相关接口

from llama_index.embeddings.huggingface import HuggingFaceEmbedding #Embedding模型接口
from llama_index.llms.huggingface import HuggingFaceLLM #大模型HuggingFace接口

#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/models/sentence-transformer"
)
#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

#大模型对象
llm = HuggingFaceLLM(
    model_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
    tokenizer_name="/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)

#设置全局的llm属性，这样在索引查询时会使用这个模型。
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/demo/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)

运行上述代码，得到下述结果：