成都网站制作推来客网站系统好吗wordpress 12张表

成都网站制作推来客网站系统好吗,wordpress 12张表,培训网站大数据分析,微信公众平台注册官网登录入口上次我微调 0.5B 模型的时候#xff0c;也发现了#xff0c;一些“事实”#xff0c;例如“免费额度 15GB”大模型学习不进去#xff0c;总是回答“10GB”#xff0c;要反复微调才能够答到“15GB”。而这种问题#xff0c;除了从微调入手#xff0c;最好的做法是用 RAG也发现了一些“事实”例如“免费额度 15GB”大模型学习不进去总是回答“10GB”要反复微调才能够答到“15GB”。而这种问题除了从微调入手最好的做法是用 RAG检索增强生成技术。两种技术分工情况微调Fine-Tuning改变模型的表达方式或推理方式RAG给模型提供一个可以参考的资料库之前本人曾经用 Ragflow类似 Dify 实践过 RAG 知识库这次我想更侧重开发流程以及调优这次用 python 原生实现。一、RAG 文档准备阶段Knowledge Base / Knowledge Ingestion先准备知识文件knowledge_base.txt内容只有一条暂时这样先校验功能的完整性怎么安装 SDKpip install feiyue-sdk 即可完成安装。生成知识向量库的 python 代码import osfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_huggingface import HuggingFaceEmbeddingsfrom langchain_chroma import Chromafrom langchain_community.document_loaders import DirectoryLoader, TextLoader# 配置向量存储目录VECTOR_DB_PATH ./vector_storeDATA_PATH ./datadef ingest_local_data(vector_db_pathVECTOR_DB_PATH, data_pathDATA_PATH): ifnot os.path.exists(data_path): print(f❌ Error: {data_path} not found.) return # 1️⃣ 初始化 Embeddings embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-small-zh-v1.5, model_kwargs{device: cpu} # 可改为 cuda 或 mps ) # 2️⃣ 初始化向量数据库 vector_db Chroma( persist_directoryvector_db_path, embedding_functionembeddings ) # 3️⃣ 加载文档 loader DirectoryLoader(data_path, glob**/*.txt, loader_clsTextLoader) docs loader.load() # 4️⃣ 文档切分 splitter RecursiveCharacterTextSplitter(chunk_size600, chunk_overlap100) final_docs splitter.split_documents(docs) # 5️⃣ 入库 vector_db.add_documents(final_docs) print(f✅ Ingested {len(final_docs)} chunks from {data_path})if __name__ __main__: ingest_local_data()这是 RAG 的文档准备阶段Knowledge Base / Knowledge Ingestion读取./data/*.txt文件切分成 chunk最大块大小 600字符相邻 chunk 重叠字符 100保持上下文连续性使用 embedding 模型这里用BAAI/bge-small-zh-v1.5将文本块转换为向量向量计算设备我使用 cpuM1 Mac 上跑小模型先这样跑着吧向量库持久化到./vector_store你可能认为我没有定义切分的字符但是看看源码里其实默认是有一定的默认符号的。# langchain_text_splitters.character.RecursiveCharacterTextSplitter.__init__def __init__( self, separators: list[str] | None None, keep_separator: bool | Literal[start, end] True, # noqa: FBT001,FBT002 is_separator_regex: bool False, # noqa: FBT001,FBT002 **kwargs: Any,) - None: Create a new TextSplitter. super().__init__(keep_separatorkeep_separator, **kwargs) self._separators separators or [\n\n, \n, , ] self._is_separator_regex is_separator_regex运行结果图生成一个chroma.sqlite3文件以及一部分的 bin 二进制文件用数据库连接工具可以看到这个数据库的内容。这些其实就是存放向量以及各种元数据的地方了。 到这里我们 RAG 的前期“知识库准备”就 OK 了。后续我们可以对其进行 QA 问答看看其是否能够回答知识库的内容。二、RAG 知识检索阶段Retrieval / Vector Searchimport osimport torchfrom modelscope import snapshot_downloadfrom transformers import AutoModelForCausalLM, AutoTokenizer, pipelinefrom langchain_core.prompts import ChatPromptTemplatefrom langchain_huggingface import HuggingFacePipelinefrom langchain_huggingface import HuggingFaceEmbeddingsfrom langchain_chroma import Chromafrom langchain_classic.chains.combine_documents import create_stuff_documents_chainfrom langchain_classic.chains import create_retrieval_chainVECTOR_DB_PATH ./vector_storeBASE_MODEL_ID Qwen/Qwen2.5-0.5B-Instructclass RAGService: def __init__(self, vector_db_pathVECTOR_DB_PATH): self.vector_db_path vector_db_path # 设备选择 if torch.cuda.is_available(): self.device cuda elif torch.backends.mps.is_available(): self.device mps else: self.device cpu print(f️ Using device: {self.device}) # Embeddings self.embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-small-zh-v1.5, model_kwargs{device: self.device} ) # LLM self.llm self._load_model() # 向量库 self.vector_db Chroma( persist_directoryself.vector_db_path, embedding_functionself.embeddings ) def _load_model(self): print( Downloading/Loading Model...) model_dir snapshot_download(BASE_MODEL_ID) tokenizer AutoTokenizer.from_pretrained(model_dir, trust_remote_codeTrue) model AutoModelForCausalLM.from_pretrained( model_dir, torch_dtypeauto, device_mapauto, trust_remote_codeTrue ) pipe pipeline( text-generation, modelmodel, tokenizertokenizer, max_new_tokens512, temperature0.1, return_full_textFalse ) return HuggingFacePipeline(pipelinepipe) def get_chain(self): system_prompt ( 你是一个专业的助手。请仅根据提供的上下文Context回答问题。 如果你在上下文中找不到答案请诚实告知。回答请简明扼要。 \n\n上下文: {context} ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), (human, {input}), ]) question_answer_chain create_stuff_documents_chain(self.llm, prompt) return create_retrieval_chain( self.vector_db.as_retriever(search_kwargs{k: 3}), question_answer_chain )if __name__ __main__: service RAGService() rag_chain service.get_chain() user_input 安装飞跃云SDK的指令是什么 response rag_chain.invoke({input: user_input}) print(\n AI Answer:\n, response[answer]) print(\n Sources used:, [d.metadata.get(source) for d in response[context]])这里涉及到 RAG 检索的步骤主要步骤如下问题向量化用户输入问题 → embedding 模型这里是BAAI/bge-small-zh-v1.5也就是原来的 embedding 模型 → 得到query 向量用于相似度检索。相似度搜索在向量数据库中搜索与query向量最相似相似度匹配的文档块。常用相似度匹配方法有余弦相似度cosine similarity、内积dot product通常检索top-k返回相似度最高的 k 个文档文档块。检索成功成功输出pip install feiyue-sdk以及溯源到data/input/knowledge_base.txt。 到这里我们成功跑通了 RAG 知识库的检索或者说召回LLM 用知识库的内容回答了我们的问题。三、用 RAG 构建个人知识库 - 从 0 到 1 跑通上面我们将 RAG 的文档准备、检索的步骤都跑通了这次我们要进行实践并且解决其中遇到的难题。这次我们对上次的 RAG 程序改动model_kwargs{device: mps}用 Mac 显卡 mps 计算。我们将我本地的.md文档切分为 chunk然后向量化。 切分与向量化成功发现执行后一共有 5433 个 chunk。接着我们要执行检索。 检索成功回答基本正确并且可以看到 RAG 成功溯源到原文件显示了原文件名。虽然原文秩后续从 8 改为了 4这里没有答好但是用BAAI/bge-small-zh-v1.5这个小 embedding 模型加上小模型Qwen/Qwen2.5-0.5B-Instruct这个组合能够达到这个效果已经相当不错。四、RAG 检索信息偏移的修复 - chunk 探秘 模型理解修复接下来我们要探究如何修复刚刚回答信息偏移的问题明明我们文章说的“r 4”但是召回的信息是“r 8”。我们进入向量数据库一探究竟看看 chunk 的切分情况可以查看embedding_metadata这个表它存放着 chunk 的元数据信息向量化就不是人看的了所以只能看看元数据这里面有 chunk 切分后的内容。create table main.embedding_metadata( id INTEGER references main.embeddings, -- 向量embedding的唯一 ID外键指向 embeddings 表中的一条向量记录 key TEXTnotnull, -- 元数据的键metadata key目前只有 chroma:document 、source 两种 string_value TEXT, -- 当元数据值是字符串类型时使用 int_value INTEGER, -- 当元数据值是整数类型时使用 float_value REAL, -- 当元数据值是浮点数类型时使用 bool_value INTEGER, -- 当元数据值是布尔类型时使用通常 0false, 1true primary key (id, key) );这里的设计要注意同一个 id 属于同一个向量embeddings表的一条记录而不是同一个元数据embedding_metadata也就是说这个表 id 不是唯一的primary key (id, key)限定的是 id key 唯一这里我们就明白了这个表设计的含义了就是向量的元数据废话但有助于理解。我们现在去看看我们溯源的那个文件也就是上篇文章的地方sql 如下select count(*) from embedding_metadata;select *from embedding_metadatawhere id in (select id from embedding_metadata where embedding_metadata.string_value like %低成本 LLM 微调实录M1 Mac 上跑通 0.5B 小模型 LoRA 微调全流程.md);还记得我们之前拿到 5433 个 chunk 吗这里元数据有 10868刚好是两倍还有 2 是上篇文章的一个文件切分的 1 个 chunk 生成的 2 个元数据信息。一个 chunk 的两个元数据分别是source与chroma:document分别代表源文件名称以及 chunk 的文本内容。我们甚至可以观察到我们设置的splitter RecursiveCharacterTextSplitter(chunk_size600, chunk_overlap100)确实在这里可以看到chunk_size块大小 600 字符chunk_overlap重叠文本为 100 字符的证据。所以我们要看到底检索到了哪些 chunk以及根据这些 chunkLLM 是否有可能得到 r 为 4 而不是 8。改动以下代码让其能够打印出d.id这些embedding_id。if __name__ __main__: service RAGService() rag_chain service.get_chain() user_input 我的低成本 LLM 微调用了哪个模型秩用了多少 response rag_chain.invoke({input: user_input}) print(\n AI Answer:\n, response[answer]) print(\n Sources used:, [d.id for d in response[context]])根据响应里的embedding_id可以查询到 chunk 元数据。select *from embedding_metadatawhere id in (select id from embeddings where embedding_id in (db3167c3-8607-40b2-b415-fcfb3f38e6fc, cb1f9a64-abfe-4469-bc1e-a92708190fa5, 85571f4a-68cc-4654-a491-4b413aa7c149));查看之后发现这几条id 为 768、780、795中只有一条795有关于秩的值的描述而且r 秩也可能有关系秩从 8 改为 4 可能会比较容易训练毕竟 LoRA 的论文中也支持用小 r 也能产生很好的效果。这里的描述的语义不是很明确需要语文理解能力那个小模型得不到正确的信息也情有可原可以考虑换大一点的模型而这里的向量模型反而是没有问题的。尝试调整温度temperature这个值目前是 0.1可能模型太过“严肃”所以没有理解到我这句话的“艺术性”。 竟然成功了我们通过调整温度让模型理解了得到了正确的回答。不过存在问题幻觉回答中夹带着一些“幻觉”有噪声。过拟合的风险这次的测试的参数仅针对我问的这个问题有可能产生“过拟合”问题对其他问题的效果可能没有那么好。过拟合可以理解为函数完美穿过了当前问题点导致偏离了大部分点先调到 0.3 温度让 RAG 回答我当前问题到达一个还不错的水平然后再多问几个问题测试下。这里有可能的隐藏坑点这个 kAmount of documents to return我设置为了 3比较小可能会导致检索出来的内容较少有可能会难以形成“正确的答案”。但是 k 太大我的小模型可能承受不住庞大的上下文。RAG 的反向能力很弱问“我不会什么”比“我会什么”要难以真正的答到点上因为是基于检索出 topK 条目然后再整合成自然语言的。你在搭建个人知识库时遇到了哪些‘人工智障’时刻欢迎评论区交流。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】