开始使用 Mistral
让我们从 Mistral 7B Instruct 的 GGUF 量化版本开始,并使用 AutoClasses ‘AutoModelForCausalLM’ 之一来加载模型。AutoClasses 可以帮助我们自动检索给定模型路径的模型。AudoModelForCausalLM 是具有因果语言建模的模型类之一,这就是 Mistral 7B Instruct 模型所需要的。
Python
# Source: https://huggingface.co/TheBloke/Mistral-7B-Instruct-v0.1-GGUF
from ctransformers import AutoModelForCausalLM
# Set gpu_layers to the number of layers to offload to GPU. Set to 0 if no GPU acceleration is available on your system.
llm = AutoModelForCausalLM.from_pretrained(“TheBloke/Mistral-7B-Instruct-v0.1-GGUF”, model_file=“mistral-7b-instruct-v0.1.Q4_K_M.gguf”, model_type=“mistral”, gpu_layers=50)
print(llm(“AI is going to”))
添加流完成
在上面的例子中,当我们运行模型推理时,它会在生成整个答案时返回一个响应。当我们生成较长的响应时,这可能会很慢。而且,当我们在聊天界面中时,看到模型一次 “键入” 一个单词的响应可能更自然。这就是为什么我们有时可能希望在生成响应时 “流” 响应。为此,我们只需在调用模型期间添加 ‘stream=True’ 即可。
为了加快模型响应速度,我们使用 ‘async’ 来允许 IO 任务在后台进行,以便计算机可以在等待模型响应的同时执行其他任务。
使用 Mistral 7B 构建我们的第一个聊天机器人
我们如何将此模型包装到聊天界面中?Panel 只需五行代码即可轻松构建聊天机器人!
-
我们首先定义一个 ChatInterface 小部件:chat_interface = pn.chat.ChatInterface(callback=callback, callback_user=“Mistral”)。此小组件处理聊天机器人的所有 UI 和逻辑。请注意,我们需要定义系统在 ‘callback’ 函数中的响应方式,这就是我们上面刚刚定义的。
-
让我们从系统消息 “Send a message to get a reply from Mistral!” 开始聊天机器人,以便用户有明确的说明该怎么做。
-
最后,chat_interface.servable() 确保我们可以在本地或云上为应用程序提供服务。要为应用程序提供服务,只需将以下代码另存为独立的 Python 文件 app.py 或 Jupyter Notebook 文件 app.ipynb,然后运行“panel serve app.py”或“panel serve app.ipynb”即可。
使用 Mistral 7B 和 Llama2 7B 构建我们的第二个聊天机器人
我们可以添加来自另一个模型的响应吗?我们能否比较不同模型的响应?是的,我们绝对可以!下面是一个示例:
-
我们在字典中定义模型信息,包括模型名称、模型路径和模型文件MODEL_ARGUMENTS
-
然后在 for 循环中,我们分别传入每个模型,并将每个模型的响应发送到聊天界面。
使用 LangChain 使用 Mistral 7B 和 Llama2 7B 构建我们的第三个聊天机器人
我们可以用 LangChain 构建同一个聊天机器人吗?是的!LangChain 是一个用于开发 LLM 应用程序的框架,许多人认为它很有用。
- LangChain 提供了一个 CTrasnformers 包装器,我们可以通过 langchain.llms import CTransformers 访问它。然后,我们可以使用 CTransformers 统一接口来加载我们的两个模型。
- PromptTemplate 帮助我们定义可重用的模板,用于生成要发送到语言模型的提示。我们在 prompt 变量中定义 prompt。
- 我们使用 LLMChain 将 Prompt 与语言模型链接起来。具体来说,它使用提供的输入值格式化提示模板,将格式化的提示传递给语言模型,并返回输出。
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。