本文内容主要基于以下开源项目探索实践，

• Awesome-Text2SQL:GitHub - eosphoros-ai/Awesome-Text2SQL: Curated tutorials and resources for Large Language Models, Text2SQL, Text2DSL、Text2API、Text2Vis and more.
• DB-GPT-Hub：GitHub - eosphoros-ai/DB-GPT-Hub: A repository that contains models, datasets, and fine-tuning techniques for DB-GPT, with the purpose of enhancing model performance in Text-to-SQL
• DB-GPT：GitHub - eosphoros-ai/DB-GPT: Revolutionizing Database Interactions with Private LLM Technology
• DeepSpeedExamples:GitHub - microsoft/DeepSpeedExamples: Example models using DeepSpeed

开源不易，希望大家给个star支持一下，感谢！

Text2SQL简介

本章主要对Text2SQL的基本定义、使用的开源数据集和评测指标做了介绍，同时也介绍了一些实践项目，供大家参考。

定义

Text-to-SQL（简写为Text2SQL），顾名思义就是把文本转化为SQL语言，更学术一点的定义是：把数据库领域下的自然语言（Natural Language，简写为NL）问题，转化为在关系型数据库中可以执行的结构化查询语言（Structured Query Language，简写为SQL），因此Text2SQL也可以被简写为NL2SQL。

举个例子比较直观：

• 输入：自然语言问题。

查询表t_user的所有信息，结果按id降序排序，只保留前10个数据

• 输出：SQL语句。

SELECT * FROM t_user ORDER BY id DESC LIMIT 10

• 实验：如图1所示，在DB-GPT项目中，直接使用原生对话，使用Proxy LLM（GPT-3.5）提问上述问题，大模型可以准确给出SQL答案，这也是因为LLM本身语言理解能力强大，同时提问的自然语言问题比较easy。

图1 DB-GPT项目原生对话示意图

数据集

公开的Text2SQL数据集比较多，这里仅介绍目前使用较多的几个数据集：

• WikiSQL [paper] [code] [dataset]

• • 2017年9月，Salesforce提出的一个大型的Text-to-SQL数据集，数据来源于Wikipedia，属于单领域，包含了80654个自然语言问题，77840个SQL语句，SQL语句形式比较简单，不包含排序、分组、子查询等复杂操作。

• Spider [paper] [code] [dataset]

• • 2018年9月，耶鲁大学提出的多数据库、多表、单轮查询的Text-to-SQL数据集，也是业界公认难度最大的大规模跨领域评测榜单，包含了10181个自然语言问题，5693个SQL语句，涉及138个不同领域的200多个数据库，难易程度分为：简单、中等、困难、特别困难。

• CoSQL [paper] [code] [dataset]

• • 2019/09, 耶鲁大学和Salesforce Research提出了一种跨域数据库CoSQL，它由30k+轮次和10k+带注释的SQL查询组成，这些查询是从Wizard-of-Oz (WOZ)集合中获得的，该集合包含3k个对话，查询跨越 138个域的200个复杂数据库。

• CHASE [paper] [code] [dataset]

• • 2021年8月，西安交通大学和微软等提出了首个跨领域、多轮Text-to-SQL中文数据集，包含了5459个多轮问题组成的列表，17940个<query, SQL>二元组。

• BIRD-SQL [paper] [code] [dataset]

• • 2023年5月，香港大学和阿里巴巴提出了一个大规模跨域数据集BIRD，其中包含超过12751个独特的问题 SQL、95个大数据库，总大小为33.4GB。它还涵盖区块链、曲棍球、医疗保健和教育等超过37个专业领域。

如何还想了解更多数据集以及Text2SQL的基本知识，可以查看我之前知乎的Text2QL综述文章：Text-to-SQL小白入门（一）综述文章学习

评测指标

以Spider数据集为例：主要有两个指标，分别是执行准确率（Execution Accuracy，简称EX）和逻辑形式准确率（Exact Match，简称EM)

• EX

• • 计算SQL执行结果正确的数量在数据集中的比例，结果存在高估的可能。

• EM

• • 计算模型生成的SQL和标注SQL的匹配程度，结果存在低估的可能。

在Awesome-Text2SQL项目中，列举了常见的数据以及对应的指标榜单，如图2所示，比如Spider数据集上，目前EX得分第一是MiniSeek组织提交的91.2，EM得分第一也是MiniSeek提交的81.5，因为运用了GPT-4以及一些其他的trick，所以得分最高。

图2 Awesome-Text2SQL项目数据集得分榜单

实验方法

Text2SQL研究主要有基于模版和匹配的方法、基于Seq2Seq框架的方法和基于模型预训练的方法，随着LLM的崛起，如今利用LLM微调完成Text2SQL任务也越来越常见，比如在DB-GPT-Hub项目中，就实现了利用各种开源模型在Spider数据集上进行lora和qlora方法微调，亲测好用！（方法详情可以参考代码仓库）

RLHF简介

本章主要介绍了RLHF的基本定义，以及介绍了强化学习的基础概念和RLHF框架。

定义

RLHF：Reinforcement Learning from Human Feedback，通过强化学习方式方式根据人类反馈优化语言模型，使得在一般文本数据语料库的语言模型能够和复杂人类价值观对齐。

强化学习基础概念

RL：指的是Reinforcement learning。

• 强化学习是一种机器学习方法，旨在通过智能体（agent）与环境（environment）的交互学习如何在动态环境中做出决策（action）以最大化累积回报（reward）。在强化学习中，智能体通过观察环境的状态、采取行动和接收奖励来学习与环境的交互。智能体的目标是通过学习最优的策略（policy），在不断尝试和调整中，使得长期累积的奖励最大化。
• 强化学习最早在游戏中应用比较多。

为了更好理解强化学习，我们可以先了解一下比较常见的有监督学习（Supervised Learning, SL）。对于有监督学习而言，模型完整的训练pipline通常可以分成如图3所示：

图3 有监督学习示意图

• 输入标注好的数据labeled data（有标签ground truth+原始数据）

• • 1.从标签数据中获取原始数据
  • 2.把原始数据拿给模型训练（比如卷积神经网络CNN）
  • 3.模型根据当前数据输出预测值predict
  • 4.通过损失函数loss function计算预测值和真实值之间的loss
  • 5.loss更新给模型
  • 然后重复上述1-5步骤，训练模型。【优化目标：把loss变小】

• 输出训练好的模型

对于强化学习而言，模型训练的pipline也是类似的，如图4所示。

• 输入初始化的环境environment

• • 1.从环境获取当前状态state
  • 2.把当前state拿给智能体agent
  • 3.agent根据环境的状态输出采取的动作action
  • 4.action和环境进行交互，通过奖励函数reward function计算当前奖励
  • 5.奖励和状态更新给智能体agent
  • 然后重复上述1-5步骤，训练agent。【优化目标：把reward变大】

图4 有监督学习和强化学习对比示意图

由上面讲述可知，强化学习的基本组成主要由以下部分：

• environment
• agent
• state
• reward
• action
• policy: 策略。定义了agent如何根据当前的state来做出action。策略主要可以分为on-policy和off-policy。

• • On-policy: 学习到的agent以及和环境进行互动的agent是同一个agent ，比如PPO算法（eg:你在打游戏，你在实战中变强。）
  • Off-policy: 学习到的agent以及和环境进行互动的agent是不同的agent，比如DQN算法（eg: 你在看直播，你在观摩中变强。)

RLHF框架

RLHF方法最早是在是2017年论文（Deep reinforcement learning from human preferences）提出。

• 在2020年的论文（Learning to summarize from human feedback）中RM训练使用了交叉熵损失。
• 在2023年3月OpenAI发表的论文（Training language models to follow instructions with human feedback）中进一步提供了RLHF实现的标准范式（论文中训练的模型为InstructGPT，ChatGPT是改进后的InstructGPT，比如InstructGPT是基于GPT-3训练，而ChatGPT是基于GPT-3.5训练），如图5所示。

如果想了解InstructGPT论文的详细内容，可以参考我之前的知乎文章：Text-to-SQL小白入门（九）InstructGPT论文：教你如何训练ChatGPT

图5 InstructGPT论文中的RLHF实现范式

RLHF主要流程有3步：

第一阶段：SFT

• Supervised Fine-tuning有监督微调，简称为SFT。这是InstructGPT（ChatGPT等）训练过程中的一个重要步骤，主要采用有监督的方式对与预训练的LLM进行微调，这个方法比较依赖于标注的数据，SFT数据集标注质量越高（质量不等同于数据），模型的效果越好。

之前听一个大学教授的讲座，有个观点很有意思：Open AI做大模型为什么比谷歌强，因为包括transformer在内的一些创新模型大多是谷歌研究的，那为什么Open AI在大模型领域为什么比谷歌强？答：因为Open AI在数据清洗，数据质量把控这方面做的很好。——所以数据是相当重要的！

第二阶段：RM

• Reward Model奖励模型训练，是InstructGPT训练过程的第二阶段，它的目标是训练一个模型来适应人类的偏好（这里主要是标注人员的偏好）。在RM训练阶段，输入prompt，会使LLM生成多个响应response，然后标注人员对这些响应进行排名，根据这些排名训练一个奖励模型。

第三阶段：RL

• Reinforcement Learning，是InstructGPT训练中的最后步骤，主要是通过PPO策略（proximal policy optimization 近端策略优化）迭代，它通过引入奖励信号来调整模型的行为，使模型生成的内容更符合人类的偏好。

• • 输入一个标注数据，模型经过PPO输出一个response
  • RM模型对response打分
  • 根据打分score更新PPO策略。

RLHF+Text2SQL的实践探索

本章节主要结合DB-GPT-Hub项目代码以及一些RLHF代码对Text2SQL进行了实践探索。

SFT

SFT模块的实现主要参考DB-GPT-Hub，比如在Spider数据集上进行实现。

数据预处理

sh dbgpt_hub/scripts/gen_train_eval_data.sh

经过数据预处理后，可以得到example_text2sql_train.json和example_text2sql_dev.json

数据格式

数据格式如下所示：

• db_id-instruction-input-output-history

{
    "db_id": "department_management",
    "instruction": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n\n",
    "input": "###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:",
    "output": "SELECT count(*) FROM head WHERE age  >  56",
    "history": []
}

• 最终经过代码后会形成为这样的格式：prompt-output

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age  >  56"}

训练

sh dbgpt_hub/scripts/train_sft.sh

训练的基础大模型为CodeLlama-13b-instruct，如果想了解该开源模型，可以参考论文讲解：Text-to-SQL小白入门（五）开源代码大模型Code Llama

训练的参数如下所示：

CUDA_VISIBLE_DEVICES=0 python dbgpt_hub/train/sft_train.py \
    --model_name_or_path /home/model/CodeLlama-13B-Instruct \
    --do_train \
    --dataset example_text2sql_train \
    --max_source_length 2048 \
    --max_target_length 512 \
    --template llama2 \
    --finetuning_type lora \
    --lora_rank 64 \
    --lora_alpha 32 \
    --lora_target q_proj,v_proj \
    --output_dir dbgpt_hub/output/adapter/CodeLlama-13B-Instruct-lora \
    --overwrite_cache \
    --overwrite_output_dir \
    --per_device_train_batch_size 1 \
    --gradient_accumulation_steps 16 \
    --lr_scheduler_type cosine_with_restarts \
    --logging_steps 500 \
    --save_steps 2000 \
    --learning_rate 2e-4 \
    --num_train_epochs 8 \
    --plot_loss \
    --bf16

预测

sh dbgpt_hub/scripts/predict_sft.sh

预测完成后，会生成一个predict.sql文件，文件中存放了dev集合中1034个sql.

评估

测试的库为ts库

 python dbgpt_hub/eval/evaluation.py --plug_value --input Your_model_pred_file

评估过程如下所示：会对每一个sql进行对比，对错误的sql进行打印输出展示。

最终对1034条sql验证完成后，可以得到EX、EM精度得分。

• EX-0.746

其他模型的一些baseline分数也可以通过DB-GPT-Hub获取。

RM

RM模型训练的模型以SFT阶段的模型为基础，参考微软代码进行训练（Hub项目近期也会增加RLHF功能，敬请期待），自行构建了少量Text2SQL的RM训练数据集用于测试训练。

数据格式

数据格式如下所示：

• prompy-chosen-rejected
• chosen就是在SFT阶段的ground truth
• rejected就是模型的错误输出结果

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","chosen": "SELECT count(*) FROM head WHERE age  >  56","rejected":"SELECT COUNT(head_name) FROM head WHERE age > 56;"}

训练

• 比如训练10个epoch的训练结果如下：

deepspeed --num_gpus=$n_gpu \
   main.py \
   --data_path $data_path \
   --data_split 2,4,4 \
   --model_name_or_path $model_name_or_path \
   --per_device_train_batch_size 8 \
   --per_device_eval_batch_size 8 \
   --max_seq_len 1024 \
   --learning_rate 9.65e-6 \
   --weight_decay 0.1 \
   --num_padding_at_beginning 0 \
   --num_train_epochs 10  \
   --gradient_accumulation_steps 1 \
   --lr_scheduler_type cosine \
   --num_warmup_steps 0 \
   --seed 1234 \
   --gradient_checkpointing \
   --zero_stage $ZERO_STAGE \
   --deepspeed \
   --offload \
   --lora_dim 128 \
   --lora_module_name "layers." \
   --output_dir $OUTPUT \
   2>&1 | tee $OUTPUT/log.txt

结果

训练完成后，会在制定目前生成训练好的模型，比如有以下文件：

• config.json
• log.txt
• pytorch_model.bin
• tokenizer.model

RL

数据格式

RL阶段和SFT阶段的数据格式保持一致，以Text2SQL任务举例子，RL数据可以构造为（prompt，output}的二元组，如下所示：

• prompt-otput

{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age  >  56"}

训练

• 训练参数

• • SFT模型即为上面训练的SFT模型
  • RM模型即为上面训练的RM模型
  • 训练10epoch

deepspeed --master_port 12346 main.py \
   --data_path $data_path \
   --data_split 2,4,4 \
   --actor_model_name_or_path $ACTOR_MODEL_PATH \
   --critic_model_name_or_path $CRITIC_MODEL_PATH \
   --num_padding_at_beginning 1 \
   --per_device_generation_batch_size 8 \
   --per_device_training_batch_size 8 \
   --generation_batches 1 \
   --ppo_epochs 1 \
   --max_answer_seq_len 256 \
   --max_prompt_seq_len 1024 \
   --actor_learning_rate ${Actor_Lr} \
   --critic_learning_rate ${Critic_Lr} \
   --actor_weight_decay 0.1 \
   --critic_weight_decay 0.1 \
   --num_train_epochs 10 \
   --lr_scheduler_type cosine \
   --gradient_accumulation_steps 1 \
   --actor_gradient_checkpointing \
   --critic_gradient_checkpointing \
   --offload_reference_model \
   --disable_actor_dropout \
   --num_warmup_steps 100 \
   --deepspeed --seed 1234 \
   --actor_zero_stage $ACTOR_ZERO_STAGE \
   --critic_zero_stage $CRITIC_ZERO_STAGE \
   --enable_hybrid_engine \
   --actor_lora_dim 64 \
   --critic_lora_dim 64 \
   --critic_lora_module_name "layers." \
   --actor_lora_module_name "layers." \
   --output_dir $OUTPUT \
   2>&1 | tee $OUTPUT/log.txt

• 训练结束

结果

训练结束会得到两个模型，actor模型即为需要的最终评测模型。

验证

• 验证得到的模型
• EX-0.752
• EM-0.717

可以发现的是，RLHF相比SFT方法，精度有轻微提升，主要是数据质量的问题，后续还可以进一步探索。

其他文章学习

xt-to-SQL小白入门（一）综述文章学习

Text-to-SQL小白入门（二）Transformer学习

Text-to-SQL小白入门（三）IRNet：引入中间表示SemQL

Text-to-SQL小白入门（四）指令进化大模型WizardLM

Text-to-SQL小白入门（五）开源代码大模型Code Llama

Text-to-SQL小白入门（六）Awesome-Text2SQL项目介绍

Text-to-SQL小白入门（七）PanGu-Coder2论文——RRTF

Text-to-SQL小白入门（八）RLAIF论文：AI代替人类反馈的强化学习

Text-to-SQL小白入门（九）InstructGPT论文：教你如何训练ChatGPT