LangChain + Embedding + Chromdb，关联使用ChatGLM的本地搭建训练平台教程

一.介绍

    OpenAI 在国内用户注册会遇到各种阻力，目前可行的方法是使用本地数据集的功能实现联网搜索并给出回答，提炼出TXT、WORD 文档里的内容。
    现在主流的技术是基于强大的第三方开源库：LangChain 。

文档地址：🦜️🔗 Langchain

​    这个库目前非常活跃，每天都在迭代，已经有 22k 的 star，更新速度飞快。
    LangChain 是一个用于开发由语言模型驱动的应用程序的框架。他主要拥有 2 个能力：

  1. 可以将 LLM 模型与外部数据源进行连接

  2. 允许与 LLM 模型进行交互

LLM 模型：Large Language Model，大型语言模型

1.1 基础功能

LLM 调用

  • 支持多种模型接口，比如 OpenAI、Hugging Face、AzureOpenAI ...

  • Fake LLM，用于测试

  • 缓存的支持，比如 in-mem（内存）、SQLite、Redis、SQL

  • 用量记录

  • 支持流模式（就是一个字一个字的返回，类似打字效果）

Prompt管理，支持各种自定义模板

拥有大量的文档加载器，比如 Email、Markdown、PDF ...

对索引的支持

  • 文档分割器

  • 向量化

  • 对接向量存储与搜索，比如 Chroma、Pinecone、Qdrand

Chains

  • LLMChain

  • 各种工具Chain

  • LangChainHub

1.2 必知概念

相信大家看完上面的介绍多半会一脸懵逼。不要担心，上面的概念其实在刚开始学的时候不是很重要，当我们讲完后面的例子之后，在回来看上面的内容会一下明白很多。

但是，这里有几个概念是必须知道的。

1.3 Text Spltters 文本分割

顾名思义，文本分割就是用来分割文本的。为什么需要分割文本？因为我们每次不管是做把文本当作 prompt 发给 Langchian ，embedding 功能都是有字符限制的。

比如 我们将一份300页的 pdf 发给 LangChian，让他进行总结，这里就需要使用文本分割器去分割我们 loader 进来的 Document。

1.4 Vectorstores 向量数据库

因为数据相关性搜索其实是向量运算。所以，不管我们是使用 openai api embedding 功能还是直接通过向量数据库直接查询，都需要将我们的加载进来的数据 Document 进行向量化，才能进行向量运算搜索。转换成向量也很简单，只需要我们把数据存储到对应的向量数据库中即可完成向量的转换。

官方也提供了很多的向量数据库供我们使用。

https://python.langchain.com/en/latest/modules/indexes/vectorstores.html

1.5 Chain 链

我们可以把 Chain 理解为任务。一个 Chain 就是一个任务，当然也可以像链条一样，一个一个的执行多个链。​​

1.6 Embedding

用于衡量文本的相关性。这个也是 LangChain 能实现构建自己知识库的关键所在。

他相比 fine-tuning 最大的优势就是，不用进行训练，并且可以实时添加新的内容，而不用加一次新的内容就训练一次，并且各方面成本要比 fine-tuning 低很多。

二.实战

    通过上面的必备概念大家应该已经可以对 LangChain 有了一定的了解，但是可能还有有些懵。

视频教程：

LangChain接入本地数据实操_哔哩哔哩_bilibiliLangChain接入本地数据实操, 视频播放量 8725、弹幕量 0、点赞数 288、投硬币枚数 109、收藏人数 974、转发人数 200, 视频作者 灵镜实验室, 作者简介 连接科技与生活 | 透过热闹看门道，相关视频：LangChain: 使用AI连接数据源的时代已经到来了！，langchain-chatglm：本地私有化部署企业专有大语言模型，建立企业的私有知识库，利用LangChain和国产大模型ChatGLM-6B实现基于本地知识库的自动问答，LangChain + OpenAI 5分钟实现自然语言SQL数据挖掘，LangChain + GLM =本地知识库，Streamlit + LangChain - 10分钟创建AI Web应用，PDF聊天机器人，LangChain03-九个经典用例：聊天、数据分析、评价系统等，OpenAI + LangChain + Spark - 基于自然语言的海量企业级数据查询与分析，13分钟解读LangChain（精译中字），5分钟学会搭建本地知识库聊天机器人(基于GPT4+Llamaindex+LangChain)https://www.bilibili.com/video/BV18X4y1t79H/?spm_id_from=333.337.search-card.all.click

注意：这个视频只是快速查看本次实战搭建本地知识库实操的demo，其中有很多细节是略过的，切记不能直接效仿。

2.1 搭建本地ChatGLM

项目地址：GitHub - THUDM/ChatGLM-6B: ChatGLM-6B：开源双语对话语言模型 | An Open Bilingual Dialogue Language Model

官网介绍：

ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答，更多信息请参考我们的博客。

第一步，本地安装 Python

这一步暂略，可以自行下载安装 Python 环境。

Python 下载地址：Download Python | Python.org

​注意：安装 >9 以上版本，建议安装 3.93.17。

安装手册：

CentOS 7 的 Python2 升级成 Python 3.9.17_python 3.9.17 下载_查里王的博客-CSDN博客

第二步，下载项目程序包

  • 下载地址见附件，直接下载下来并解压。我这里解压到 ：/root/chatgpt/ChatGLM-6B-main

ChatGLM-6B-main，下载附件包如下：

 

第三步，下载模型包 chatglm(14GB存储空间)

下载地址：GitHub - THUDM/ChatGLM-6B: ChatGLM-6B: An Open Bilingual Dialogue Language Model | 开源双语对话语言模型

备选地址：THUDM/chatglm-6b at main

注意：海外的huggingface针对国内的IP是封锁的，无法直接下载，可以使用我存放在百度企业网盘里的源码包；

注意：百度企业网盘不让上传14GB的数据集；百度网盘单次只能上传4GB，由于个人没有开通网盘，所以只能通过公网下载；

官网介绍：

ChatGLM-6B 是一个开源的、支持中英双语问答的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。ChatGLM-6B 使用了和 ChatGLM 相同的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。

注意：下载后放到第二步程序包下，自行创建目录 chatglm-6b，如下：

#cd /root/.cache/huggingface/hub/models--THUDM--chatglm-6b/
yum -y install gcc-c++
pip install --upgrade pip setuptools wheel
pip install hnswlib langchain chromadb urllib3==1.26.6 sentence_transformers unstructured tiktoken gradio mdtex2html sentencepiece accelerate torch cpm_kernels protobuf transformers

注意：建议更新pip的源，别用阿里云，速度奇慢无比，推荐用中科大或者豆瓣的源地址作为PIP库；

Python pip更换升级源_更新pip的源_查里王的博客-CSDN博客

第四步，运行网页版 demo

vim 修改一下web_demo.py的配置

vim /root/chatgpt/ChatGLM-6B-main

 模型默认是访问huggingface的在线库，必须更改为本地的chatglb-6b的离线库的路径；

  • 如果本地有GPU，可以使用 half().cuda()；

  • 如果本地没有GPU，就需要修改成 float()；

执行如下命令，运行网页版本的 demo，如下：

cd /root/chatgpt/ChatGLM-6B-main
python web_demo.py

 程序会运行一个 Web Server，并输出地址。在浏览器中打开输出的地址即可使用。最新版 Demo 实现了打字机效果，速度体验大大提升。注意，由于国内 Gradio 的网络访问较为缓慢，启用 demo.queue().launch(share=True, inbrowser=True) 时所有网络会经过 Gradio 服务器转发，导致打字机体验大幅下降，现在默认启动方式已经改为 share=False，如有需要公网访问的需求，可以重新修改为 share=True 启动。

 第五步，测试网页版程序

浏览器打开地址 并访问，输入问题，可以看到 ChatGLM 会给予回复。

 2.2 搭建本地数据切片向量化 Embeddings + ChromaDB

把Langchain和中文向量文本字符集下载到本地目录，并进行解压

unzip /root/db/LangChainTest-main.zipunzip /text2vec-base-chinese.zip

修改# vim docIndex.py的脚本

cd /root/db/LangChainTest-mainvim docIndex.py

1.将model_name = 'xxxxxx'换成解压路径，例如：/root/db/text2vec-base-chinese

2.将embeddings_model_name = '/root/db/text2vec-base-chinese'

embeddings = HuggingFaceEmbeddings(model_name='/root/db/text2vec-base-chinese')也修改成解压的路径

执行 docIndex.py，将txt文本内容进行向量化入库到chromaDB中

最后，把main注释掉，取消以下的内容注释

if __name__ == "__main__":#main()embeddings_model_name = '/root/db/text2vec-base-chinese'embeddings = HuggingFaceEmbeddings(model_name='/root/db/text2vec-base-chinese')db = Chroma(persist_directory=persist_directory, embedding_function=embeddings, client_settings=CHROMA_SETTINGS)print(db.similarity_search("产品线划分是什么样的？"))

 可以输出内容的即表示正确（由于客户提供的文档签署了保密协议，我这里就不贴图了）

三.LangChain 调用 ChatGLM

修改main.py中的embeddings的模型地址

vim /root/db/LangChainTest-main/main.py

将model_name修改成/root/db/text2vec-base-chinese

if __name__ == '__main__':embeddings = HuggingFaceEmbeddings(model_name='/root/db/text2vec-base-chinese')db = Chroma(persist_directory=persist_directory, embedding_function=embeddings, client_settings=CHROMA_SETTINGS)retriever = db.as_retriever(search_kwargs={"k": target_source_chunks})#llm = OpenAI(model_name="text-ada-001", n=2, best_of=2)llm = ChatGLM()prompt_template = """基于以下已知信息，简洁和专业的来回答用户的问题。如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"，不允许在答案中添加编造成分，答案请使用中文。已知内容:{context}问题:{question}"""promptA = PromptTemplate(template=prompt_template, input_variables=["context", "question"])chain_type_kwargs = {"prompt": promptA}qa = RetrievalQA.from_chain_type(llm=llm, retriever=retriever, chain_type="stuff",chain_type_kwargs=chain_type_kwargs, return_source_documents=True)while True:query = input("\n请输入问题: ")if query == "exit":breakres = qa(query)answer, docs = res['result'], res['source_documents']print("\n\n> 问题:")print(query)print("\n> 回答:")print(answer)for document in docs:print("\n> " + document.metadata["source"] + ":")

最后的结果，就会提示：请输入问题，表示搭建本地库成功！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/4614.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于单片机的教室智能照明台灯控制系统的设计与实现

基于单片机的教室智能照明台灯控制系统的设计与实现

功能介绍 以51单片机作为主控系统；LCD1602液晶显示当前时间、年月日、时分秒、前教室人数；2路红外探头用来感应当前教室进出人数；按键可以设置当前时间、自动手动模式、开启和关闭教室灯光时间；在手动模式下，可以通过按…
阅读更多...
Ip-Limit: 轻量级注解式IP限流组件（一）

Ip-Limit: 轻量级注解式IP限流组件（一）

author: van , ggfanwentaogmail.comIp-Limit: 轻量级注解式IP限流组件 项目简介 基于JVM缓存的轻量级、注解式IP限流组件，方便项目快速引用，满足多线程场景。 默认为滑动窗口限流器，内置令牌桶限流器，可通过注解的属性配置修改…
阅读更多...
uni-app：单位像素rpx

uni-app：单位像素rpx

rpx:响应式单位，长宽可以随着屏幕大小改变，其尺寸根据iPhone 6的标准来参考（750rpx为占满屏幕宽，1334rpx为占满屏幕长。7501334rpx） 例子： 现在展示型号为iPhone 12 pro的型号，这里750px和750…
阅读更多...
关于 let/var/const 的常见面试题

关于 let/var/const 的常见面试题

1、题目一 function func(){if(true){var s 123}console.log(s) } func() 打印的答案： 123 》 var是属于函数作用域 2、题目二 function func(){if(true){let s 123}console.log(s) } func() 打印的答案： s is not defined 》 let是属于块级作…
阅读更多...
51单片机学习--矩阵键盘、电子密码锁

51单片机学习--矩阵键盘、电子密码锁

矩阵键盘的模块原理图&#xff1a; 功能&#xff1a;按下矩阵按键&#xff0c;在LCD上显示对应的数值。 采用模块化编程&#xff0c;在此只给出MatrixKey.c 和 main.c 两部分代码 #include <REGX52.H> #include "Delay.h"/*矩阵键盘读取键码按下不放&#xf…
阅读更多...
【有功功率、无功功率】可再生能源配电馈线的鲁棒经济调度研究[IEEE13节点]（Matlab代码实现）

【有功功率、无功功率】可再生能源配电馈线的鲁棒经济调度研究[IEEE13节点]（Matlab代码实现）

&#x1f4a5;1 概述 "有功功率和无功功率" 是与电力系统中能量传输和功率控制相关的两个重要概念。 有功功率&#xff08;Active Power&#xff09;是指电力系统中传输和消耗能量的功率&#xff0c;也被称为实功功率。它负责提供电力系统中的实际电能需求&#xf…
阅读更多...
DTU凭什么可以为数据提供高效可靠的稳定传输？

DTU凭什么可以为数据提供高效可靠的稳定传输？

当谈及到智能化的发展时&#xff0c;其实它已经正在影响着各行各业&#xff0c;当前许多传统行业也正在向智能化转变。如果你细心留意的话&#xff0c;就会发现在我们日常生活中多少都会见到它们的身影&#xff0c;例如&#xff1a;村庄各家各户墙外所挂的煤改电设备、居民楼小…
阅读更多...
【数学建模】统计分析方法

【数学建模】统计分析方法

文章目录 1.回归分析2. 逻辑回归3. 聚类分析4. 判别分析5. 主成分分析6. 因子分析7. 对应分析 1.回归分析 数据量要多&#xff0c;样本总量n越大越好——>保证拟合效果更好&#xff0c;预测效果越好 一般n>40/45较好 方法 建立回归模型 yiβ0β1i……βkxkiεi 所估计的…
阅读更多...
vite动态加载图片

vite动态加载图片

参考CSDN 方法一 根据官网的提示, 就是在将asset 前面加上src <img v-if"post.welcomeScreen" :src"/src/assets/blogPhotos/${name}.jpg" alt"" />方法二 关于第二个方法&#xff0c;官网说&#xff1a;“实际上&#xff0c;Vite 并不…
阅读更多...
Ubuntu系统cron服务运行 .sh 脚本

Ubuntu系统cron服务运行 .sh 脚本

1、安装cron # 安装 apt-get install cron 2、常用命令 # 查看状态 sudo systemctl status cron # 开启服务 sudo systemctl start cron # 停止服务 sudo systemctl stop cron # 重启服务 sudo systemctl restart cron 3、编写要定时执行 hello.sh 脚本 #!/bin/bash echo &…
阅读更多...
IDEA使用GIT提交代码中文日志(commit message)乱码

IDEA使用GIT提交代码中文日志(commit message)乱码

最近换了新的开发环境&#xff0c;导致提交gti中文注释乱码&#xff0c;遂记录一下解决方案 idea中查看git提交信息显示中文是正常的 gitee上显示乱码 本地显示也是乱码 一、命令修改编码格式 git 安装目录下执行 git config --global i18n.commitencoding utf-8git config …
阅读更多...
使用ext2fsd将装有Ubuntu的硬盘挂载到Windows后，导致Ubuntu系统无法启动

使用ext2fsd将装有Ubuntu的硬盘挂载到Windows后，导致Ubuntu系统无法启动

Ubuntu是一种流行的Linux操作系统&#xff0c;而Windows则是最常用的桌面操作系统之一。有时&#xff0c;我们可能需要将Ubuntu的硬盘连接到Windows系统上&#xff0c;以访问、备份或修改其中的文件。然而&#xff0c;这样的操作可能会导致Ubuntu系统无法正常启动&#xff0c;这…
阅读更多...
pdf怎么翻译？有这个工具就够了

pdf怎么翻译？有这个工具就够了

pdf怎么翻译&#xff1f;PDF文档一直是我们日常生活和工作中不可避免的一部分。但是&#xff0c;当我们需要翻译PDF文件时&#xff0c;我们往往会感到无助&#xff0c;因为PDF文档不能像其他文本文件一样直接复制和粘贴。那么今天就给大家介绍一款可以帮助我们进行PDF翻译的工具…
阅读更多...
【技能实训】DMS数据挖掘项目-Day09

【技能实训】DMS数据挖掘项目-Day09

文章目录 任务9【任务9.1.1】升级DataBase类为可序列化的类&#xff0c;以便在文件保存或网络中传递【任务9.1.2】升级LogRec类为可序列化的类&#xff0c;以便在文件保存或网络中传递【任务9.1.3】升级MatchedLogRec类为可序列化的类&#xff0c;以便在文件保存或网络中传递【…
阅读更多...
Java编程-基本排序算法

Java编程-基本排序算法

冒泡排序 图解 &#xff08;注&#xff1a;图片来源网络&#xff09; Java代码 package suanfa_Ja;import org.apache.hadoop.security.SaslOutputStream;// 基本排序算法&#xff0c;冒泡排序 时间复杂度 O(n^2) 空间复杂度O(1) public class BubbleSort {public static v…
阅读更多...
SPEC CPU 2006 在 CentOS 5.0 x86_64 古老系统测试【4】-O3 不支持 编译失败

SPEC CPU 2006 在 CentOS 5.0 x86_64 古老系统测试【4】-O3 不支持 编译失败

gcc -O3 编译失败 结论&#xff1a;默认情况下SPEC CPU 2006 1.2 不支持 gcc -O3编译参数。
阅读更多...
Linux 安装 nginx

Linux 安装 nginx

正常是两种安装方式 一种是使用系统的包管理软件&#xff0c;比如centos的yum -y install nginx命令&#xff08;简单但不推荐&#xff0c;配置文件分散不易管理&#xff0c;且需要配置第三方源yum -y install epel-release等&#xff0c;如果是简单使用&#xff0c;配置文件什…
阅读更多...
1.15 什么是后端服务

1.15 什么是后端服务

文章目录 什么是后端服务后端服务的功能后端服务的技术栈结论 什么是后端服务 后端服务&#xff08;Backend Service&#xff09;是指在软件应用中负责处理数据、逻辑和业务功能的组件或模块。它通常运行在服务器端&#xff0c;为前端应用或客户端提供数据和服务支持。 后端服…
阅读更多...
[GXYCTF2019]simple CPP

[GXYCTF2019]simple CPP

前言 三个加密区域&#xff0c;第一次是基本运算&#xff0c;八位叠加&#xff0c;z3方程 分析 第一轮加密&#xff0c;和Dst中模27异或 &#xff08;出题人对动调有很大意见呢&#xff09; 将输入的字符串按八位存入寄存器中&#xff0c;然后将寄存器内容转存到内存 第一次…
阅读更多...
CMake 学习笔记（生成头文件）

CMake 学习笔记（生成头文件）

CMake 学习笔记&#xff08;生成头文件&#xff09; 经常&#xff0c;我们需要检测系统环境&#xff0c;然后来生成一些对应的头文件&#xff0c;这个头文件通常叫做“configured header file”。一般命名为 config.h。 CMake 有个 configure_file() 命令专门用来做这个事情。…
阅读更多...
最新文章

Copyright @ 2022~2023