本笔记为动手学大模型应用开发,DataWhale 六月组队学习的 llm-universe - 202406 的 任务一 打卡笔记。
文章首发我的个人博客
大模型简介
大语言模型(LLM,Large Language Model),也称大型语言模型,是一种旨在理解和生成人类语言的人工智能模型。
我将他理解为一种黑盒模型,他可以输入人类语言,输出人类语言,黑盒里面是什么呢?是一种大型神经网络。
以上是一个普通的神经网络,它有3个输入权重和一个输出,
y = w 1 x 1 + w 2 x 2 + w 3 x 3 + b y=w_1x_1+w_2x_2+w_3x_3+b y=w1x1+w2x2+w3x3+b
w 1 、 w 2 、 w 3 w_1、w_2、w_3 w1、w2、w3是权重, x 1 、 x 2 、 x 3 x_1、x_2、x_3 x1、x2、x3是输入,只有当 y y y大于某个值的时候,才会输出【出去玩】这个结论,这是一个简单的神经网络的例子。对我们学生来说,可能“考完试了”这个占的权重是 0.8 ,我们更可能考完试就出去玩。
当然,这只是一个简单的神经网络,这里面的权重数字,例如刚刚说到的 0.8 ,是我们手动设置的,事实上,你可以统计你出去玩的所有因素,数据化,最后可以得到一个线性回归的方程,这里面的权重符合你自己的情况。
这是更大些的神经网络,插一嘴,要画他很简单
import networkx as nx
import matplotlib.pyplot as plt
# 创建一个空的有向图
G = nx.DiGraph()
# 添加节点
layers = [10, 10, 13, 12,8,13,5,7,8,10,6,1]
for i in range(len(layers)):
for j in range(layers[i]):
G.add_node((i, j))
# 添加边
for i in range(len(layers) - 1):
for j in range(layers[i]):
for k in range(layers[i + 1]):
G.add_edge((i, j), (i + 1, k))
# 绘制图
pos = {}
for node in G.nodes:
pos[node] = node
nx.draw(G, pos, with_labels=False, node_color='white',edgecolors='black')
# 显示图
plt.show()
但如此大型的神经网络的构建是很复杂的,而大模型,大型语言模型,里面构建了成千上万个更复杂的各种各样的神经元。科学家用人类所有的语言数据作为输入,训练得到一个权重,这个权重放在黑盒中,我们再输入一些问题,黑盒就会返回一些回答。
私以为,现在学术界、市场上的各种大模型,他们的差异只在两点:
- 神经元构建方式不同
- 训练数据不同
神经元构建的不同,但都旨在模拟人类大脑,好比不同画家临摹一幅画,画家各不同,但画出来的画,如果画家合格,那应该没有什么大差别。
而花画得画,画石得石。
大模型应用开发是这样的,科学家只要训练模型就行了,而我们开发者要思考的就多了。
科学家已经为黑盒模型提供了调用接口,我们只要像以往调用 api 一样开发即可。
LangChain
LangChain旨在帮助开发者们快速构建基于大型语言模型的端到端应用程序或工作流程
人生苦短,我用 Python ,LangChain 库可以帮助我们快速开发大模型应用。
RAG
检索增强生成(RAG, Retrieval-Augmented Generation)
他的诞生是为了解决两点:
- 大模型输入窗口的token有限
- 大模型幻觉问题
以我在科大讯飞实习的经历来看,23年暑假我在数字员工部门实习,当时我们部门做 RPA +大模型,这是一个拿了中国信通院的大模型优秀应用案例的项目。
当时使用星火大模型做生成式 RPA,你没有办法一次性把关于 RPA 的所有知识喂给大模型,更别提一些小的、碎的、私有化内容。一种解决方法是用外挂向量数据库的方式,采用固定的prompt 模板,但每次只检索和问题相关的知识。
环境配置
环境配置较为简单,具体来说,你需要一台服务器,或者自己的电脑也行。我这里使用了阿里云的学生服务器,免费,我还有另外一台腾讯云的,但我在那里部署了我的博客。另外azure 的学生服务器也可以使用。现在云服务也很便宜。我第一次接触云服务器是高二寒假,那时疫情在家上网课,无意中接触到的。
你已经使用 vscode 连接上了远程服务器。可参考VSCode 连接远程服务器
配置 git
- 生成ssh key
ssh-keygen -t rsa -C "youremail@example.com"
- 将公钥添加到 github
cat ~/.ssh/id_rsa.pub
复制输出内容,复制输出内容,打开 github,点击右上角头像,选择 settings -> SSH and GPG keys -> New SSH key,将复制的内容粘贴到 key 中,点击 Add SSH key
配置 conda
- 安装
mkdir -p ~/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm -rf ~/miniconda3/miniconda.sh
- 初始化
~/miniconda3/bin/conda init bash
~/miniconda3/bin/conda init zsh
- 检查
conda --version
新建一个终端,此命令会输出conda版本
- 新建虚拟环境
conda create -n llm-universe python=3.10
- 激活虚拟环境
conda activate llm-universe
- 克隆仓库
git clone git@github.com:datawhalechina/llm-universe.git
- 配置仓库
cd llm-universe
pip install -r requirements.txt
- 下载 NLTK 相关资源
我们在使用开源词向量模型构建开源词向量的时候,需要用到第三方库 nltk 的一些资源。正常情况下,其会自动从互联网上下载,但可能由于网络原因会导致下载中断。当我们使用 nltk 时就会报错。此处我们从国内仓库镜像地址下载相关资源。
cd /root
git clone https://gitee.com/yzy0612/nltk_data.git --branch gh-pages
cd nltk_data
mv packages/* ./
cd tokenizers
apt install unzip -y
unzip punkt.zip
cd ../taggers
unzip averaged_perceptron_tagger.zip
9.配置 jupterlab 的内核服务器为刚刚创建的llm
当你打开一个 ipynb 文件,点击右上角选择内核,选择 Python 解释器,再选择 llm-universe 环境
ok~