查询本地知识库之llama2+langchain_directoryloader

一、原理

从文档处理角度来看，实现流程如下：

二、 环境准备

1. python package 包

!pip install -U langchain unstructured nltk sentence_transformers faiss-gpu

2. nltk的punkt手动安装

安装nltk的punkt模块（因为下载速度很慢，所以这里我们手动下载）

• 先在root目录下，建一个文件夹：/root/nltk_data/tokenizers

• 到这个网址：http://www.nltk.org/nltk_data/，找到punkt的包

• 下载包：wget https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/packages/tokenizers/punkt.zip

• 解压包：unzip punkt.zip

3、下载并部署embedding模型

先进到数据盘 cd /root/autodl-tmp

执行：git lfs install

执行：git clone https://huggingface.co/GanymedeNil/text2vec-large-chinese

如果有大文件下载不下来，就需要用wget 下载

  wget https://huggingface.co/GanymedeNil/text2vec-large-chinese/resolve/main/pytorch_model.bin

  wget https://huggingface.co/GanymedeNil/text2vec-large-chinese/resolve/main/model.safetensors

三、设置知识库

1. 导入相关包

from langchain.document_loaders import UnstructuredFileLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS

2. 知识库其实本质上就是一段文本。这里我们使用unstructured这个包，把带格式的文本，读取为无格式的纯文本

knowledge.txt 

大美有两个儿子，一个是小白，另一个是小黑。

小白的父亲是张三。

小黑的父亲是张四。

filepath="/root/autodl-tmp/knowledge.txt"
loader=UnstructuredFileLoader(filepath)
docs=loader.load()
#打印一下看看，返回的是一个列表，列表中的元素是Document类型
print(docs)

3. 对上面读取的文档进行chunk。chunk的意义在于，可以把长文本拆分成小段，以便搜索召回

chunk-size是文本最大的字符数。chunk-overlap是前后两个chunk的重叠部分最大字数。

text_splitter=RecursiveCharacterTextSplitter(chunk_size=20,chunk_overlap=10)
docs=text_splitter.split_documents(docs)

4、使用text2vec-large-chinese模型，对上面chunk后的doc进行embedding。然后使用FAISS存储到向量数据库

import os
embeddings=HuggingFaceEmbeddings(model_name="/root/autodl-tmp/text2vec-large-chinese", model_kwargs={'device': 'cuda'})
#如果之前没有本地的faiss仓库，就把doc读取到向量库后，再把向量库保存到本地
if os.path.exists("/root/autodl-tmp/my_faiss_store.faiss")==False:
    vector_store=FAISS.from_documents(docs,embeddings)
    vector_store.save_local("/root/autodl-tmp/my_faiss_store.faiss")
#如果本地已经有faiss仓库了，说明之前已经保存过了，就直接读取
else:
    vector_store=FAISS.load_local("/root/autodl-tmp/my_faiss_store.faiss",embeddings=embeddings)
#注意！！！！
#如果修改了知识库（knowledge.txt）里的内容
#则需要把原来的 my_faiss_store.faiss 删除后，重新生成向量库

四、加载模型

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
#先做tokenizer
tokenizer = AutoTokenizer.from_pretrained('/root/autodl-tmp/Llama2-chat-13B-Chinese-50W',trust_remote_code=True)
#加载本地基础模型
#low_cpu_mem_usage=True,
#load_in_8bit="load_in_8bit",
base_model = AutoModelForCausalLM.from_pretrained(
        "/root/autodl-tmp/Llama2-chat-13B-Chinese-50W",
        torch_dtype=torch.float16,
        device_map='auto',
        trust_remote_code=True
    )
model=base_model.eval()

五、知识库的使用 和 构造prompt_template

1、通过用户问句，到向量库中，匹配相似度高的【知识】

query="小白的父亲是谁？"
docs=vector_store.similarity_search(query)#计算相似度，并把相似度高的chunk放在前面
context=[doc.page_content for doc in docs]#提取chunk的文本内容
print(context)

2、编写prompt_template；把查找到的【知识】和【用户的问题】都输入到prompt_template中

my_input="\n".join(context)
prompt=f"已知：\n{my_input}\n请回答：{query}"
print(prompt)

六、把prompt输入模型进行预测

inputs = tokenizer([f"Human:{prompt}\nAssistant:"], return_tensors="pt")
input_ids = inputs["input_ids"].to('cuda')
 
generate_input = {
    "input_ids":input_ids,
    "max_new_tokens":1024,
    "do_sample":True,
    "top_k":50,
    "top_p":0.95,
    "temperature":0.3,
    "repetition_penalty":1.3
}
generate_ids  = model.generate(**generate_input)
 
new_tokens = tokenizer.decode(generate_ids[0], skip_special_tokens=True)
print("new_tokens",new_tokens)

其它

1. DirectoryLoader

from langchain.document_loaders import TextLoader, DirectoryLoader
loader = DirectoryLoader('../documents')
raw_documents = loader.load()

2.  TensorflowHubEmbeddings 

如果替换tensorflowhub中的Embedding模型，可以。

from langchain.embeddings import TensorflowHubEmbeddings
url = "https://tfhub.dev/google/universal-sentence-encoder/4"
 
s_embedding = TensorflowHubEmbeddings(model_url=url)

参考

https://github.com/THUDM/ChatGLM-6B/blob/main/README_en.md

https://github.com/chatchat-space/Langchain-Chatchat