手搓一个Agent#Datawhale 组队学习Task3-CSDN博客

本文链接：https://blog.csdn.net/fzyz123/article/details/142525546

书接上回，首先回顾一下Task2的一些补充：

Task2主要任务是从零预训练一个tiny-llama模型，熟悉一下Llama的模型架构和流程。然后测试一下模型的效果。总的来说，因为某些未知的原因，loss一直没有降下去，导致最终效果一般般。

Task2知识点补充和解读

contextlib库

from contextlib import nullcontext

contextlib 是 Python 标准库中的一个模块，它提供了一系列工具来帮助开发者更方便地使用上下文管理协议（context management protocol）。

nullcontext 是 Python 中 contextlib 模块提供的一个上下文管理器，它主要用于不需要执行任何特定的进入或退出操作的情况。

datetime库

from datetime import datetime

datetime 是 Python 的标准库之一，提供了处理日期和时间的强大工具。

datetime 类是 datetime 模块中最常用的类之一，它代表了一个具体的日期和时间。你可以用它来进行日期和时间的运算，获取当前时间，格式化日期等。

datetime 库和 time 库的比较

datetime 库和 time 库都是 Python 中用于处理日期和时间的标准库，但它们各有侧重，适用于不同的应用场景。

datetime 库更适合于需要高级日期时间处理的应用场景，而 time 库则更适合于简单的计时和时间戳操作。

functools库

from functools import partial

functools 是 Python 标准库中的一个模块，它提供了多种工具来帮助开发者更高效地编写函数。partial 函数可以固定一个函数的一部分参数，从而创建一个新的函数。

AdamW优化器

AdamW 是一种广受欢迎的优化算法，它是在经典的 Adam 优化器基础上发展而来，引入了权重衰减（Weight Decay）机制。

Adam（Adaptive Moment Estimation）是一种自适应学习率优化算法，它结合了 AdaGrad 和 RMSProp 的优点。Adam 使用了动量（momentum）和自适应学习率来更新参数，其中动量用于加速收敛速度，自适应学习率用于调整不同参数的学习速率。

AdaGrad 没有使用动量的概念，而是直接根据历史梯度的平方来调整学习率。学习率单调递减：随着训练的进行，学习率会逐渐减小，最终可能变得太小。

动量机制：RMSProp 使用了指数移动平均来估算梯度的平方，从而避免了 AdaGrad 中学习率单调递减的问题。

AdaGrad：适合处理稀疏梯度的问题，但由于学习率单调递减，不适合长期训练。
RMSProp：通过指数移动平均解决了 AdaGrad 中学习率单调递减的问题，适合处理动态变化的梯度。
Adam：结合了 AdaGrad 和 RMSProp 的优点，并通过偏置校正机制提高了初始阶段的收敛速度，是目前最常用的优化算法之一。

在使用 AdamW 优化器的情况下，是否需要使用 Dropout 主要取决于您的具体应用场景和模型设计的需求。

Dropout 和 Weight Decay 的区别：

Dropout
- 定义：Dropout 是一种正则化技术，通过随机“丢弃”一部分神经元（即设置为 0），从而降低模型的复杂度，防止过拟合。
- 作用：Dropout 可以使模型的各个部分相互独立地学习特征，从而提高模型的鲁棒性。
- 适用场景：通常用于深层网络中，特别是在训练非常大的模型时，Dropout 可以帮助模型更好地泛化到未见过的数据。
Weight Decay
- 定义：Weight Decay 是一种正则化技术，通过对模型的权重施加惩罚（通常为 L2 正则化），减少模型的复杂度。
- 作用：Weight Decay 通过使权重趋向于较小的值，从而降低模型的整体复杂度。
- 适用场景：几乎所有的模型都可以从中受益，特别是在数据集较小或者模型容量很大的情况下。

学习率调度器scheduler：

学习率调度器（Learning Rate Scheduler）是深度学习训练中用来动态调整学习率的技术。通过调整学习率，可以提高模型的训练效率和性能。在训练初期使用较高的学习率可以加快收敛速度，在后期精细调整参数，提高训练效率。

余弦退火（Cosine Annealing）学习率调度是一种动态调整学习率的技术，它根据余弦函数的周期性变化来调整学习率。尤其适合需要平滑地调整学习率的场景。

一般建议预热迭代次数为总迭代次数的 5% 到 10% 左右。

退火开始的迭代次数通常在训练的中期到后期，一般建议设置为总迭代次数的 80% 左右。

初始学习率取决于模型的复杂度和数据集的大小。一个常见的初始学习率设置为 0.001。根据模型规模和数据集大小Llama技术报告里面，初始学习率可能在 1e-4 到 5e-5 之间。

最小学习率应该设置得足够小，以防止在训练后期学习率仍然过高而导致的振荡。通常为初始学习率的十分之一。

我又重新跑了一次，根据学习率调度修改了一些参数，等结果更新，希望这次可以取得一个比上次更有的结果。

Task3.Tiny-Agent

论文：《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》

我们先来看一下这篇论文主要讲了什么。

摘要：该论文介绍了一种名为ReAct（Reason+Act）的新方法，它探索了如何使大型语言模型（LLMs）以交错方式生成推理轨迹和特定任务动作，以此增强推理与行动间的协同效果。ReAct通过推理来指导和更新行动计划，并通过实际行动与外部资源（如知识库）互动获取信息。这种方法在多种语言理解和决策制定任务中进行了测试，显示出了比现有技术更好的性能，并提高了模型的可解释性和可信度。特别是在HotpotQA和Fever任务中，ReAct减少了推理错误，并产生了更容易理解的结果；而在ALFWorld和WebShop这两个互动决策制定基准测试中，ReAct仅需少量示例就能显著提高成功率，超越了传统的模仿和强化学习方法。

接下来我们开始手搓Agent的代码实现：

Step 1: 构造大模型

这里我们选择了书生谱语的开源InternLM2作为我们的Agent模型。InternLM2是一个基于Decoder-Only的通用对话大模型，可以使用transformers库来加载InternLM2模型。

Step 2: 构造工具

我们在tools.py文件中，构造一些工具，比如Google搜索。在这个文件中，构造一个Tools类。在这个类中，我们需要添加一些工具的描述信息和具体实现方式。

Step 3: 构造Agent

我们在Agent.py文件中，构造一个Agent类，这个Agent是一个React范式的Agent，我们在这个Agent类中，实现了text_completion方法，这个方法是一个对话方法，我们在这个方法中，调用InternLM2模型，然后根据React的Agent的逻辑，来调用Tools中的工具。