什么是LangChain

最新推荐文章于 2024-02-06 17:15:09 发布

ChatGPTer

最新推荐文章于 2024-02-06 17:15:09 发布

阅读量905

点赞数 22

分类专栏： ChatGPT 文章标签： langchain

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/ddnosh/article/details/135237018

版权

ChatGPT 专栏收录该内容

30 篇文章 3 订阅

订阅专栏

我的新书《Android App开发入门与实战》已于2020年8月由人民邮电出版社出版，欢迎购买。点击进入详情

LangChain 是一个旨在简化使用大型语言模型（LLM）创建应用程序的框架。它提供了许多功能，使与LLM的合作变得更加容易，例如：

用于加载和使用 LLM 的简单 API
许多经过预训练的LLM可以开箱即用
用于微调LLM的各种工具
支持各种任务，例如聊天机器人、问答和文本生成

LangChain 是开源的，可在GitHub上获取( GitHub - langchain-ai/langchain: ⚡ Building applications with LLMs through composability ⚡ )。它是使用LLM构建应用程序的流行框架，被许多公司和组织使用。

以下是使用LangChain的一些好处：

它使与LLM的合作变得更加容易。LangChain提供了一个简单的API来加载和使用LLM，这使得LLM的上手变得更加容易。
它提供了许多经过预培训的LLM。LangChain 提供了许多预训练的 LLM，可以开箱即用。这节省了培训过程中的时间和精力。
它提供了各种用于微调LLM的工具。LangChain提供了多种LLM微调工具，可以让您针对特定任务微调LLM。
它支持多种任务。LangChain支持多种任务，例如聊天机器人、问答和文本生成。这使其成为使用LLM构建应用程序的多功能框架。

如果您有兴趣与LLM合作，我建议您查看 LangChain。它是一个功能强大的框架，可以让您更轻松地开始使用LLM并使用它们构建应用程序。让我们看一下一些额外的细节。

用于加载和使用 LLM 的简单 API

LangChain提供了一个简单的API来加载和使用LLM。即使您不熟悉LLM，此 API 也能让您轻松入门。例如，您可以使用一行代码加载 LLM：

model = langchain.load( “bert-base-uncased” )

加载 LLM 后，您可以使用它来生成文本、翻译语言、编写不同类型的创意内容，并以翔实的方式回答您的问题。

使用一些经过预先培训的LLM

LangChain 提供了许多预训练的 LLM，可以开箱即用。这节省了培训过程中的时间和精力。例如，LangChain 为各种任务提供预训练的 LLM，例如：

聊天机器人
问答
文本生成

LangChain提供了多种用于LLM微调的工具。这使您可以针对特定任务微调LLM。例如，您可以针对特定的聊天机器人应用程序或特定的问答数据集微调 LLM。

有道德的黑客和程序员的例子

让我们看一个例子。下面的代码也可以在我的GitHub 存储库之一中找到。您还可以在Google Colab中使用此代码。

首先安装所需的库pip install -q transformers einops accelerate langchain bitsandbytes xformers

还运行nvidia-smi命令。（NVIDIA System Management Interface）命令nvidia-smi是NVIDIA提供的用于管理和监控NVIDIA GPU设备的工具。此工具提供有关系统中安装的 GPU 的详细信息，例如：

GPU 名称和 ID。
GPU 利用率。
内存使用情况。
温度。
驱动版本。
电力使用情况。
运行 GPU 进程。
还有许多其他细节。

例如，当您简单地nvidia-smi在终端中运行时，您将获得当前 GPU 状态的快照，包括 GPU ID、利用率、内存使用情况、温度、功耗等。

您还可以使用nvidia-smi各种标志和选项来查询特定信息或更新 GPU 设置。例如，nvidia-smi -q提供更详细的 GPU 状态报告。

对于那些使用 NVIDIA GPU 的人来说，这是一个非常有用的工具，特别是对于深度学习、科学计算或任何其他 GPU 密集型操作等任务来说，可以监控和管理 GPU 的运行状况和性能。

然后我们定义模型并使用 HuggingFacePipeline

from langchain import HuggingFacePipeline
from transformers import AutoTokenizer, pipeline
import torch

model = "tiiuae/falcon-7b-instruct" # You can also use the larger model falcon-40b-instruct

tokenizer = AutoTokenizer.from_pretrained(model)

pipeline = pipeline(
    "text-generation", #task
    model=model,
    tokenizer=tokenizer,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    device_map="auto",
    max_length=10000,
    do_sample=True,
    top_k=10,
    num_return_sequences=1,
    eos_token_id=tokenizer.eos_token_id
)

上面的代码片段使用 Hugging Face Transformers 库设置文本生成管道。让我们逐步浏览一下代码以了解它的作用：

导入必要的库：：
langchain嗯，就是我们在本文中讨论的库;-)
HuggingFacePipeline`：HuggingFacePipeline 允许您从 Transformer 库加载 HuggingFace 模型，而无需访问 HuggingFace 推理 API。要使用它，您需要transformers安装 Python 包。

2. 从Transformers库导入所需模块：

AutoTokenizer：此类用于自动加载指定预训练模型的分词器。
pipeline：该函数为各种 NLP 任务创建管道，例如文本生成、情感分析等。
torch：它导入 PyTorch 库。

3. 设置模型和分词器：将
模型标识符“ tiiuae/falcon-7b-instruct ”（或较大模型的“ falcon-40b-instruct ”）分配给变量model。

AutoTokenizer.from_pretrained ()方法用于加载与指定模型关联的分词器。该分词器将用于预处理输入文本并将其转换为适合模型的输入格式。

4. 配置文本生成管道：使用参数“text- Generation”调用
该pipeline()函数，表示该管道将用于文本生成。
参数model、tokenizer、和torch_dtype被传递到管道。
trust_remote_code设置为True，因为管道依赖于远程代码执行。
device_map设置为“auto”，表示管道将自动确定合适的硬件设备（CPU/GPU）进行推理。
max_length设置为 10000，这意味着生成的文本不应超过 10,000 个标记。
do_sample设置为True，这允许模型在文本生成期间使用采样。
top_k设置为 10，这意味着模型在采样期间将考虑前 10 个最有可能的标记。
num_return_sequences设置为1，表示只会生成一个文本序列。
eos_token_id 设置为tokenizer.eos_token_id，这可能是用于停止文本生成的序列结束标记 ID。

该代码使用指定的模型和分词器设置文本生成管道，允许您使用给定的模型生成文本。如果您向此管道提供输入文本，它将根据配置参数和所使用的语言模型的行为返回生成的文本。

注意：生成文本的具体行为和功能将取决于底层模型（例如，“tiiuae/falcon-7b-instruct”或“falcon-40b-instruct”或任何其他模型）以及训练它的数据。

现在让我们定义要使用的温度：

llm = HuggingFacePipeline(pipeline = pipeline, model_kwargs = {'temperature':0})

在中model_kwargs = {'temperature':0}，代码设置要在文本生成期间使用的特定于模型的关键字参数。在这种情况下，它将temperature参数设置为0。该temperature参数控制文本生成的随机性。较高的值（例如，1.0）使生成的文本更具创意和多样性，而较低的值（即本示例中的 0）使文本更具确定性和针对性。

现在，让我们创建一些代码来使用 LangChain 创建提示模板。

from langchain import PromptTemplate,  LLMChain

template = """
You are an ethical hacker and programmer. Help the following question with brilliant answers.
Question: {question}
Answer:"""
prompt = PromptTemplate(template=template, input_variables=["question"])

llm_chain = LLMChain(prompt=prompt, llm=llm)

question = "Create a python script to send a DNS packet using scapy with a secret payload "

print(llm_chain.run(question))

让我们逐步分解提供的代码：

导入必要的库。PromptTemplate帮助创建文本提示模板的类。
定义template：template是一个多行字符串，其中包含{question}稍后插入的问题的占位符。它似乎是用于生成提示的预定义格式。
创建PromptTemplate对象：使用和的列表PromptTemplate调用该类，其中包含将在模板中用作占位符的变量名称。在本例中，只有一个变量，稍后将用实际问题替换。templateinput_variables"question"
创建LLMChain对象：使用之前创建的对象和对象LLMChain来调用该类，该对象似乎是之前使用 Hugging Face Transformers 库定义的语言模型管道 ( )。promptllmllm
定义 a question：用一个字符串值定义一个名为的变量question，该字符串值代表需要给出精彩答案的问题。问题涉及创建一个 Python 脚本，以使用带有秘密负载的 Scapy 发送 DNS 数据包。
生成响应：使用 as 输入llm_chain.run(question)调用该方法question。此方法可能使用链式语言模型 ( llm) 以及提供的提示来生成问题的响应。该llm_chain对象似乎处理根据输入问题和预定义模板生成答案的过程。
打印生成的响应：使用将生成的响应打印到控制台print(llm_chain.run(question))。