做小型企业网站多少钱,做网站白云,网站开发内容怎么写,陕西网站建设网络公司书生 浦语 茴香豆项目是一个基于大型语言模型#xff08;LLM#xff09;的群聊知识助手#xff0c;由上海人工智能实验室的书生浦语团队开发。这个项目利用了RAG#xff08;Retrieval-Augmented Generation#xff09;技术#xff0c;通过检索与用户输入相关的信息#… 书生 浦语 茴香豆项目是一个基于大型语言模型LLM的群聊知识助手由上海人工智能实验室的书生浦语团队开发。这个项目利用了RAGRetrieval-Augmented Generation技术通过检索与用户输入相关的信息并结合外部知识库来生成更准确、更丰富的回答。茴香豆旨在解决大型语言模型在处理知识密集型任务时可能遇到的挑战如幻觉、知识过时和缺乏透明、可追溯的推理过程等问题。茴香豆项目的特点包括 设计拒答、响应两阶段pipeline针对群聊场景设计能够在解答问题的同时避免消息泛滥。 低成本运行运行成本低至1.5G显存无需额外训练即可适用于各行业。 工业级开源可商用提供了一整套前后端web、android、算法源码方便开发者进行二次开发和商业应用。 易于部署支持快速部署到多种通讯平台如微信群等方便用户接入和体验。 持续更新和优化项目团队定期更新增加新功能如支持不同格式的文件解析提升检索精度等。 社区支持提供了丰富的文档和教程帮助开发者快速上手并有社区支持进行问题解答和讨论。
通过上述特点茴香豆项目为用户提供了一个强大的工具可以在即时通讯工具的群聊中提供及时准确的技术支持和自动化问答服务极大地提升了用户体验和效率。
下图是Rag工作原理 按照教程Tutorial/huixiangdou/readme.md at camp2 · InternLM/Tutorial · GitHub可以很方便的环境配置我在开发机上已经实现截图如下 以下为教程中的内容阐述了如果搭建茴香豆智能助力
在书生浦语开发机中选择镜像 使用 Cuda11.7-conda 镜像
从官方环境复制运行 InternLM 的基础环境命名为 InternLM2_Huixiangdou在命令行模式下运行
studio-conda -o internlm-base -t InternLM2_Huixiangdou
复制完成后在本地查看环境。
conda env list结果如下所示。
# conda environments:
#
base * /root/.conda
InternLM2_Huixiangdou /root/.conda/envs/InternLM2_Huixiangdou
运行 conda 命令激活 InternLM2_Huixiangdou python 虚拟环境:
conda activate InternLM2_Huixiangdou
1.2 下载基础文件 复制茴香豆所需模型文件为了减少下载和避免 HuggingFace 登录问题所有作业和教程涉及的模型都已经存放在 Intern Studio 开发机共享文件中。本教程选用 InternLM2-Chat-7B 作为基础模型。
# 创建模型文件夹
cd /root mkdir models# 复制BCE模型
ln -s /root/share/new_models/maidalun1020/bce-embedding-base_v1 /root/models/bce-embedding-base_v1
ln -s /root/share/new_models/maidalun1020/bce-reranker-base_v1 /root/models/bce-reranker-base_v1# 复制大模型参数下面的模型根据作业进度和任务进行**选择一个**就行
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b1.3 下载安装茴香豆
安装茴香豆运行所需依赖。
# 安装 python 依赖
# pip install -r requirements.txtpip install protobuf4.25.3 accelerate0.28.0 aiohttp3.9.3 auto-gptq0.7.1 bcembedding0.1.3 beautifulsoup44.8.2 einops0.7.0 faiss-gpu1.7.2 langchain0.1.14 loguru0.7.2 lxml_html_clean0.1.0 openai1.16.1 openpyxl3.1.2 pandas2.2.1 pydantic2.6.4 pymupdf1.24.1 python-docx1.1.0 pytoml0.1.21 readability-lxml0.8.1 redis5.0.3 requests2.31.0 scikit-learn1.4.1.post1 sentence_transformers2.2.2 textract1.6.5 tiktoken0.6.0 transformers4.39.3 transformers_stream_generator0.0.5 unstructured0.11.2## 因为 Intern Studio 不支持对系统文件的永久修改在 Intern Studio 安装部署的同学不建议安装 Word 依赖后续的操作和作业不会涉及 Word 解析。
## 想要自己尝试解析 Word 文件的同学uncomment 掉下面这行安装解析 .doc .docx 必需的依赖
# apt update apt -y install python-dev python libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp3 sox libjpeg-dev swig libpulse-dev从茴香豆官方仓库下载茴香豆。
cd /root
# 克隆代码仓库
git clone https://github.com/internlm/huixiangdou cd huixiangdou
git checkout 63f2eef0e6e4ac113b05ede0316b193948a42cda茴香豆工具在 Intern Studio 开发机的安装工作结束。如果部署在自己的服务器上参考上节课模型下载内容或本节 3.4 配置文件解析 部分内容下载模型文件。
2 使用茴香豆搭建 RAG 助手
2.1 修改配置文件
用已下载模型的路径替换 /root/huixiangdou/config.ini 文件中的默认模型需要修改 3 处模型地址分别是:
命令行输入下面的命令修改用于向量数据库和词嵌入的模型
sed -i 6s#.*#embedding_model_path /root/models/bce-embedding-base_v1# /root/huixiangdou/config.ini用于检索的重排序模型
sed -i 7s#.*#reranker_model_path /root/models/bce-reranker-base_v1# /root/huixiangdou/config.ini
和本次选用的大模型
sed -i 29s#.*#local_llm_path /root/models/internlm2-chat-7b# /root/huixiangdou/config.ini
2.2 创建知识库
本示例中使用 InternLM 的 Huixiangdou 文档作为新增知识数据检索来源在不重新训练的情况下打造一个 Huixiangdou 技术问答助手。
首先下载 Huixiangdou 语料
cd /root/huixiangdou mkdir repodirgit clone https://github.com/internlm/huixiangdou --depth1 repodir/huixiangdou提取知识库特征创建向量数据库。数据库向量化的过程应用到了 LangChain 的相关模块默认嵌入和重排序模型调用的网易 BCE 双语模型如果没有在 config.ini 文件中指定本地模型路径茴香豆将自动从 HuggingFace 拉取默认模型。
除了语料知识的向量数据库茴香豆建立接受和拒答两个向量数据库用来在检索的过程中更加精确的判断提问的相关性这两个数据库的来源分别是
接受问题列表希望茴香豆助手回答的示例问题 存储在 huixiangdou/resource/good_questions.json 中拒绝问题列表希望茴香豆助手拒答的示例问题 存储在 huixiangdou/resource/bad_questions.json 中其中多为技术无关的主题或闲聊如nihui 是谁, 具体在哪些位置进行修改, 你是谁, 11
运行下面的命令增加茴香豆相关的问题到接受问题示例中
cd /root/huixiangdou
mv resource/good_questions.json resource/good_questions_bk.jsonecho [mmpose中怎么调用mmyolo接口,mmpose实现姿态估计后怎么实现行为识别,mmpose执行提取关键点命令不是分为两步吗一步是目标检测另一步是关键点提取我现在目标检测这部分的代码是demo/topdown_demo_with_mmdet.py demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth 现在我想把这个mmdet的checkpoints换位yolo的那么应该怎么操作,在mmdetection中如何同时加载两个数据集两个dataloader,如何将mmdetection2.28.2的retinanet配置文件改为单尺度的呢,1.MMPose_Tutorial.ipynb、inferencer_demo.py、image_demo.py、bottomup_demo.py、body3d_pose_lifter_demo.py这几个文件和topdown_demo_with_mmdet.py的区别是什么\n2.我如果要使用mmdet是不是就只能使用topdown_demo_with_mmdet.py文件,mmpose 测试 map 一直是 0 怎么办,如何使用mmpose检测人体关键点,我使用的数据集是labelme标注的我想知道mmpose的数据集都是什么样式的全都是单目标的数据集标注还是里边也有多目标然后进行标注,如何生成openmmpose的c推理脚本,mmpose,mmpose的目标检测阶段调用的模型一定要是demo文件夹下的文件吗有没有其他路径下的文件,mmpose可以实现行为识别吗如果要实现的话应该怎么做,我在mmyolo的v0.6.0 (15/8/2023)更新日志里看到了他新增了支持基于 MMPose 的 YOLOX-Pose我现在是不是只需要在mmpose/project/yolox-Pose内做出一些设置就可以换掉demo/mmdetection_cfg/faster_rcnn_r50_fpn_coco.py 改用mmyolo来进行目标检测了,mac m1从源码安装的mmpose是x86_64的,想请教一下mmpose有没有提供可以读取外接摄像头做3d姿态并达到实时的项目呀,huixiangdou 是什么,使用科研仪器需要注意什么,huixiangdou 是什么,茴香豆 是什么,茴香豆 能部署到微信吗,茴香豆 怎么应用到飞书,茴香豆 能部署到微信群吗,茴香豆 怎么应用到飞书群,huixiangdou 能部署到微信吗,huixiangdou 怎么应用到飞书,huixiangdou 能部署到微信群吗,huixiangdou 怎么应用到飞书群,huixiangdou,茴香豆,茴香豆 有哪些应用场景,huixiangdou 有什么用,huixiangdou 的优势有哪些,茴香豆 已经应用的场景,huixiangdou 已经应用的场景,huixiangdou 怎么安装,茴香豆 怎么安装,茴香豆 最新版本是什么,茴香豆 支持哪些大模型,茴香豆 支持哪些通讯软件,config.ini 文件怎么配置,remote_llm_model 可以填哪些模型?
] /root/huixiangdou/resource/good_questions.json再创建一个测试用的问询列表用来测试拒答流程是否起效
cd /root/huixiangdouecho [
huixiangdou 是什么,
你好介绍下自己
] ./test_queries.json在确定好语料来源后运行下面的命令创建 RAG 检索过程中使用的向量数据库
# 创建向量数据库存储目录
cd /root/huixiangdou mkdir workdir # 分别向量化知识语料、接受问题和拒绝问题中后保存到 workdir
python3 -m huixiangdou.service.feature_store --sample ./test_queries.json向量数据库的创建需要等待一小段时间过程约占用 1.6G 显存。
完成后Huixiangdou 相关的新增知识就以向量数据库的形式存储在 workdir 文件夹下。
检索过程中茴香豆会将输入问题与两个列表中的问题在向量空间进行相似性比较判断该问题是否应该回答避免群聊过程中的问答泛滥。确定的回答的问题会利用基础模型提取关键词在知识库中检索 top K 相似的 chunk综合问题和检索到的 chunk 生成答案。
2.3 运行茴香豆知识助手
我们已经提取了知识库特征并创建了对应的向量数据库。现在让我们来测试一下效果
命令行运行
# 填入问题
sed -i 74s/.*/ queries [huixiangdou 是什么, 茴香豆怎么部署到微信群, 今天天气怎么样]/ /root/huixiangdou/huixiangdou/main.py# 运行茴香豆
cd /root/huixiangdou/
python3 -m huixiangdou.main --standaloneRAG 技术的优势就是非参数化的模型调优这里使用的仍然是基础模型 InternLM2-Chat-7B 没有任何额外数据的训练。面对同样的问题我们的茴香豆技术助理能够根据我们提供的数据库生成准确的答案。
下面的截图是我按照教程运行之后得出的结果
