一起学大模型 - 动手写一写langchain调用本地大模型（2）

文章目录

• 前言
• 一、自动选择
• • 1. 使用 AutoTokenizer 和AutoModel的示例
  • 2. 解释
• 二、怎么实现自动选择的呢
• 总结

前言

前一篇文章里，from transformers import GPT2LMHeadModel, GPT2Tokenizer 如果模型替换了，就得更改代码，很麻烦，那有没有更简单的方法呢？

一、自动选择

transformers 库中的 AutoTokenizer 和 AutoModel 可以根据配置文件自动选择适当的分词器 和 大模型，而无需明确指定特定的模型分词器 和模型。这使得代码更加通用和简洁。

1. 使用 AutoTokenizer 和AutoModel的示例

假设你已经将模型和分词器下载到本地目录 /path/to/local/model，你可以使用 AutoTokenizer 和 AutoModel 来加载模型和分词器：

from transformers import AutoTokenizer, AutoModel
import openai
import torch
from langchain.llms import BaseLLM

# 定义 BERT 嵌入模型类，使用 AutoTokenizer 和 AutoModel
class BERTEmbedder:
    def __init__(self, model_path='/path/to/local/model'):
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        self.model = AutoModel.from_pretrained(model_path)

    def embed(self, text):
        inputs = self.tokenizer(text, return_tensors='pt')
        with torch.no_grad():
            outputs = self.model(**inputs)
        return outputs.last_hidden_state.mean(dim=1).squeeze().numpy()

# 定义 GPT-3 生成模型类
class GPT3LLM(BaseLLM):
    def __init__(self, temperature=0.7, max_tokens=150):
        self.temperature = temperature
        self.max_tokens = max_tokens

    def generate(self, prompt):
        response = openai.Completion.create(
            engine="text-davinci-003",
            prompt=prompt,
            temperature=self.temperature,
            max_tokens=self.max_tokens
        )
        return response.choices[0].text.strip()

# 使用 LangChain 的 LLMChain
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.embeddings import Embeddings

# 定义一个模板，将 BERT 的嵌入作为 GPT-3 的输入
prompt_template = PromptTemplate(
    template="User input embedding: {embedding}\nGenerate response:",
    input_variables=["embedding"]
)

# 实现一个嵌入模型类，用于在 LLMChain 中使用
class EmbeddingsWrapper(Embeddings):
    def __init__(self, embedder):
        self.embedder = embedder

    def embed(self, text):
        return self.embedder.embed(text)

# 初始化本地 BERT 嵌入模型和 GPT-3 生成模型
bert_embedder = BERTEmbedder(model_path='/path/to/local/model')
gpt3_llm = GPT3LLM()

# 包装 BERT 嵌入模型
embedding_wrapper = EmbeddingsWrapper(bert_embedder)

# 创建 LLMChain
llm_chain = LLMChain(
    prompt_template=prompt_template,
    llm=gpt3_llm,
    embeddings=embedding_wrapper
)

# 用户输入
user_input = "The quick brown fox jumps over the lazy dog."

# 处理用户输入并生成输出
embedding = bert_embedder.embed(user_input)
output = llm_chain.run({"embedding": embedding})
print(f"Output: {output}")

2. 解释

• AutoTokenizer 和 AutoModel：使用 AutoTokenizer.from_pretrained 和 AutoModel.from_pretrained，可以自动加载适当的分词器和模型，而不需要明确指定模型类型（例如，BERT、GPT-2等）。
• model_path：加载本地路径中的模型和分词器。
• BERTEmbedder 类：利用 AutoTokenizer 和 AutoModel 处理文本并生成嵌入。
• LLMChain：与之前相同，使用 LangChain 的 LLMChain 来整合 BERT 嵌入和 GPT-3 生成。

通过这种方式，可以更加简洁和通用地加载模型，适应不同的模型配置，而无需修改代码。

二、怎么实现自动选择的呢

AutoTokenizer 和 AutoModel 是 transformers 库中的自动化工具，它们可以根据模型目录中的配置文件（通常是 config.json 文件）来自动识别并加载适当的模型和分词器。这意味着你在使用它们时，只需提供模型所在的目录路径，它们会根据配置文件确定使用哪个具体的模型类型和分词器。

为了确保 AutoTokenizer 和 AutoModel 能正确加载模型，目录结构应包含必要的文件，例如：

/path/to/local/model/
    ├── config.json
    ├── pytorch_model.bin
    ├── vocab.txt
    └── tokenizer_config.json

• config.json：模型配置文件，包含模型架构和超参数信息。
• pytorch_model.bin：预训练的模型权重。
• vocab.txt：分词器词汇表。
• tokenizer_config.json：分词器配置文件。

总结

通过这种方式，我们可以使用 AutoTokenizer 和 AutoModel 更加简洁和通用地加载模型，适应不同的模型配置，而无需修改代码。