Merge pull request #283 from langlibai66/master

Add Qwen2.5-7B-Instruct Langchain 接入

models/Qwen2.5-Coder/02-Qwen2.5-7B-Instruct Langchain 接入.md

@@ -0,0 +1,129 @@
+```
+
+```
+
+# Qwen2.5-7B-Instruct Langchain 接入
+
+## 环境准备  
+
+本文基础环境如下：
+
+```
+----------------
+ubuntu 22.04
+python 3.12
+cuda 12.1
+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。
+
+pip 换源加速下载并安装依赖包
+
+```shell
+# 升级pip
+python -m pip install --upgrade pip
+# 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
+pip install modelscope==1.20.0
+pip install langchain==0.3.7
+pip install accelerate==1.1.1
+```
+
+
+
+## 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。
+
+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
+from modelscope import snapshot_download, AutoModel, AutoTokenizer
+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~
+
+## 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。
+
+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。
+
+```python
+from langchain.llms.base import LLM
+from typing import Any, List, Optional
+from langchain.callbacks.manager import CallbackManagerForLLMRun
+from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig, LlamaTokenizerFast
+import torch
+
+class Qwen2_5_Coder(LLM):
+    # 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...")
+        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")
+        
+    def _call(self, prompt : str, stop: Optional[List[str]] = None,
+                run_manager: Optional[CallbackManagerForLLMRun] = None,
+                **kwargs: Any):
+
+        messages = [{"role": "user", "content": prompt }]
+        input_ids = self.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+        model_inputs = self.tokenizer([input_ids], return_tensors="pt").to('cuda')
+        generated_ids = self.model.generate(model_inputs.input_ids, attention_mask=model_inputs['attention_mask'], max_new_tokens=512)
+        generated_ids = [
+            output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
+        ]
+        response = self.tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]        
+        return response
+    @property
+    def _llm_type(self) -> str:
+        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
+
+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~
+
+```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"))
+```
+
+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
+
+```python
+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：
+![](./images/02-2.png)
+我们试着运行一下这段代码：
+![](./images/02-3.png)
+成功运行！