opensource/self-llm
3
0
Fork 0
mirror of https://github.com/datawhalechina/self-llm.git synced 2026-09-19 01:36:47 +08:00
Code Issues Packages Projects Releases Wiki Activity

fix: convert encoding to utf-8

Browse Source
This commit is contained in:
langlibai66
2024-11-16 13:10:31 +08:00
parent 988b959ca4
commit 8ba3c17154
1 changed files with 33 additions and 33 deletions
Download Patch File Download Diff File Expand all files Collapse all files
models/Qwen2.5-Coder/02-Qwen2.5-7B-Instruct Langchain 接入.md
+33 -33
View File
@@ -2,11 +2,11 @@
```
# Qwen2.5-7B-Instruct Langchain 接入
# Qwen2.5-7B-Instruct Langchain 接入
## 环境准备
## 环境准备
本文基础环境如下：
本文基础环境如下：
```
----------------
@@ -17,14 +17,14 @@ pytorch 2.3.0
----------------
```
> 本文默认学习者已安装好以上 Pytorch(cuda) 环境，如未安装请自行安装。
> 本文默认学习者已安装好以上 Pytorch(cuda) 环境，如未安装请自行安装。
pip 换源加速下载并安装依赖包
pip 换源加速下载并安装依赖包
```shell
# 升级pip
# 升级pip
python -m pip install --upgrade pip
# 更换 pypi 源加速库的安装
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install transformers==4.46.2
@@ -35,11 +35,11 @@ pip install accelerate==1.1.1
## 模型下载
## 模型下载
使用 `modelscope` 中的 `snapshot_download` 函数下载模型，第一个参数为模型名称，参数 `cache_dir` 为模型的下载路径。
使用 `modelscope` 中的 `snapshot_download` 函数下载模型，第一个参数为模型名称，参数 `cache_dir` 为模型的下载路径。
在新建 `model_download.py` 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。并运行 `python model_download.py` 执行下载，模型大小为 16 GB，下载模型大概需要 12 分钟。
在新建 `model_download.py` 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。并运行 `python model_download.py` 执行下载，模型大小为 16 GB，下载模型大概需要 12 分钟。
```python
import torch
@@ -48,15 +48,15 @@ import os
model_dir = snapshot_download('Qwen/Qwen2.5-Coder-7B-Instruct', cache_dir='/root/autodl-tmp', revision='master')
```
> 注意：记得修改 `cache_dir` 为你的模型下载路径哦~
> 注意：记得修改 `cache_dir` 为你的模型下载路径哦~
## 代码准备
## 代码准备
为便捷构建 `LLM` 应用，我们需要基于本地部署的 `Qwen2_5_Coder`，自定义一个 `LLM` 类，将 `Qwen2.5-Coder` 接入到 `LangChain` 框架中。完成自定义 `LLM` 类之后，可以以完全一致的方式调用 `LangChain` 的接口，而无需考虑底层模型调用的不一致。
为便捷构建 `LLM` 应用，我们需要基于本地部署的 `Qwen2_5_Coder`，自定义一个 `LLM` 类，将 `Qwen2.5-Coder` 接入到 `LangChain` 框架中。完成自定义 `LLM` 类之后，可以以完全一致的方式调用 `LangChain` 的接口，而无需考虑底层模型调用的不一致。
基于本地部署的 `Qwen2_5_Coder` 自定义 `LLM` 类并不复杂，我们只需从 `LangChain.llms.base.LLM` 类继承一个子类，并重写构造函数与 `_call` 函数即可：
基于本地部署的 `Qwen2_5_Coder` 自定义 `LLM` 类并不复杂，我们只需从 `LangChain.llms.base.LLM` 类继承一个子类，并重写构造函数与 `_call` 函数即可：
在当前路径新建一个 `LLM.py` 文件，并输入以下内容，粘贴代码后记得保存文件。
在当前路径新建一个 `LLM.py` 文件，并输入以下内容，粘贴代码后记得保存文件。
```python
from langchain.llms.base import LLM
@@ -66,17 +66,17 @@ from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig,
import torch
class Qwen2_5_Coder(LLM):
# 基于本地 Qwen2_5-Coder 自定义 LLM 类
# 基于本地 Qwen2_5-Coder 自定义 LLM 类
tokenizer: AutoTokenizer = None
model: AutoModelForCausalLM = None
def __init__(self, mode_name_or_path :str):
super().__init__()
print("正在从本地加载模型...")
print("正在从本地加载模型...")
self.tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, use_fast=False)
self.model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, torch_dtype=torch.bfloat16, device_map="auto")
self.model.generation_config = GenerationConfig.from_pretrained(mode_name_or_path)
print("完成本地模型的加载")
print("完成本地模型的加载")
def _call(self, prompt : str, stop: Optional[List[str]] = None,
run_manager: Optional[CallbackManagerForLLMRun] = None,
@@ -96,34 +96,34 @@ class Qwen2_5_Coder(LLM):
return "Qwen2_5_Coder"
```
在上述类定义中，我们分别重写了构造函数和 `_call` 函数：对于构造函数，我们在对象实例化的一开始加载本地部署的 `Qwen2_5_Coder` `模型，从而避免每一次调用都需要重新加载模型带来的时间过长；_call` 函数是 `LLM` 类的核心函数，`LangChain` 会调用该函数来调用 `LLM`，在该函数中，我们调用已实例化模型的 `generate` 方法，从而实现对模型的调用并返回调用结果。
在上述类定义中，我们分别重写了构造函数和 `_call` 函数：对于构造函数，我们在对象实例化的一开始加载本地部署的 `Qwen2_5_Coder` `模型，从而避免每一次调用都需要重新加载模型带来的时间过长；_call` 函数是 `LLM` 类的核心函数，`LangChain` 会调用该函数来调用 `LLM`，在该函数中，我们调用已实例化模型的 `generate` 方法，从而实现对模型的调用并返回调用结果。
在整体项目中，我们将上述代码封装为 `LLM.py`，后续将直接从该文件中引入自定义的 LLM 类。
在整体项目中，我们将上述代码封装为 `LLM.py`，后续将直接从该文件中引入自定义的 LLM 类。
## 调用
## 调用
然后就可以像使用任何其他的langchain大模型功能一样使用了。
然后就可以像使用任何其他的langchain大模型功能一样使用了。
> 注意：记得修改模型路径为你的路径哦~
> 注意：记得修改模型路径为你的路径哦~
```python
from LLM import Qwen2_5_Coder
llm = Qwen2_5_Coder(mode_name_or_path = "autodl-tmp/Qwen/Qwen2___5-Coder-7B-Instruct")
print(llm.invoke("你是谁"))
print(llm.invoke("你是谁"))
```
结果如下：
![](E:\self-llm\models\Qwen2.5-Coder\images\02-1.png)
结果如下：
![](./images/02-1.png)
既然是Coder模型，当然要试着让它编写代码
既然是Coder模型，当然要试着让它编写代码
```python
text = llm.invoke("为我用python写一个简单的猜拳小游戏，三局两胜")
text = llm.invoke("为我用python写一个简单的猜拳小游戏，三局两胜")
print(text)
```
结果如下：
![](E:\self-llm\models\Qwen2.5-Coder\images\02-2.png)
我们试着运行一下这段代码：
成功运行！
结果如下：
![](./images/02-2.png)
我们试着运行一下这段代码：
![](./images/02-3.png)
成功运行！