人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载导读本文基于 PaddleNLP 仓库slm/pipelines子项目中的端到端问答示例系统讲解如何用预置的召回模型Retriever、排序模型Ranker与阅读理解模型Reader快速搭建一套针对自有业务数据的智能问答系统并串联 ElasticSearch ANN 服务、REST API 模型服务与 Streamlit WebUI最终交付可交互的 Web 可视化问答应用。读完本文你将掌握端到端问答系统的完整搭建流程、offline_ann.py建库命令与dense_qa.yaml流水线配置的精读方法以及将自定义模型接入系统的具体路径。1. 场景概述为什么需要一套问答系统问答系统是信息检索系统的一种高级形式系统理解用户输入的问题然后从知识库中检索、定位并直接反馈答案。其典型价值场景包括生活场景中的复杂规则例如火车提前多久可以免费退票在北京工作几年可以办理居住证答案往往散落在冗长的规章制度中。企业内部政策咨询例如商业保险理赔需要什么材料打车报销的具体流程是什么传统做法需要员工逐一阅读政策文件或咨询相关工作人员费时费力。针对这类常见业务基于检索增强的问答系统可以把政策文档、规则条款整理成知识库用户提问时系统自动从知识库中找到答案在提升用户体验的同时降低客服人员的工作负荷与企业运营成本。2. 产品功能与系统特色本项目位于slm/pipelines提供了低成本搭建端到端问答系统的能力用户只需准备好自己的业务数据即可使用预置的问答系统模型召回模型、排序模型、阅读理解模型快速搭建针对自身业务数据的问答系统并提供基于 Streamlit 的 Web 可视化服务。2.1 系统特色端到端提供包括数据建库、模型服务部署、WebUI 可视化在内的一整套端到端问答系统能力支持对 Txt、Word、PDF、Image 多源数据进行解析、识别并写入 ANN 数据库。效果好依托 ERNIE 语义理解技术与 RocketQA 开放域问答技术预置了成熟的深度学习模型。其中召回与排序模型来自 RocketQA 系列如rocketqa-zh-nano-*、rocketqa-zh-dureader-*阅读理解模型为ernie-gram-zh-finetuned-dureader-robust基于 ERNIE-Gram 在 DuReader Robust 数据集上微调。3. 系统架构检索-排序-阅读三段式流水线从源码结构看问答系统的核心是一条召回 → 排序 → 阅读的串行流水线。在 standard_pipelines.py 中ExtractiveQAPipeline通过Pipeline依次注册三个节点self.pipeline.add_node(componentretriever, nameRetriever, inputs[Query]) self.pipeline.add_node(componentranker, nameRanker, inputs[Retriever]) self.pipeline.add_node(componentreader, nameReader, inputs[Ranker])三个核心组件的职责与底层实现如下组件类型模型角色源码位置DensePassageRetriever双塔bi-encoder分别编码 Query 与 Passage在 ANN 索引中做向量召回retriever/dense.pyErnieRanker交互式cross-encoder对召回结果做精细相关性重排ranker/ernie_ranker.pyErnieReader抽取式阅读理解从重排后的候选文档中抽取答案片段reader/ernie_dureader.pyDensePassageRetriever使用一对编码器Query 编码器与 Passage 编码器将问题与候选段落映射到同一向量空间用向量相似度完成粗召回支持max_seq_len_query、max_seq_len_passage、batch_size、embed_title、top_k等关键参数见 dense.py。ErnieRanker内部通过 PaddleNLPTaskflow(text_similarity, modelmodel_name_or_path)加载 Cross-Encoder 模型对 问题-文档 组合打分排序弥补召回召回率高但排序不准的短板。ErnieReader基于 ERNIE 3.0 系抽取式问答模型从候选文档中预测答案起止位置并提供context_window_size、return_no_answer、no_ans_boost、top_k等推理控制参数。4. 运行环境与安装说明示例的运行环境要求如下文档实验环境用户也可在自己的 GPU 硬件上复现a. 软件环境Python 3.7.3paddlenlp 2.2.1paddlepaddle-gpu 2.3CUDA Version: 10.2NVIDIA Driver Version: 440.64.00Ubuntu 16.04.6 LTS (Docker)b. 硬件环境NVIDIA Tesla V100 16GB x4 卡Intel(R) Xeon(R) Gold 6148 CPU 2.40GHzc. 依赖安装首先安装 PaddlePaddle依据官方安装文档选择对应 CUDA 版本的安装方式然后安装paddle-pipelines依赖# pip 一键安装 pip install --upgrade paddle-pipelines -i https://pypi.tuna.tsinghua.edu.cn/simple # 或者源码进行安装最新版本 cd ${HOME}/PaddleNLP/pipelines/ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple python setup.py install下载源码git clone https://gitcode.com/gh_mirrors/pa/PaddleNLP.git cd PaddleNLP/pipelines注意以下所有流程都只需要在pipelines根目录下进行不需要跳转目录。若在 Windows 环境下搭建请参考 Install_windows.md其中建议使用 Anaconda Powershell Prompt由于环境变量设置不兼容的原因暂不支持 cmd 执行并额外需要先通过源码安装htbuilder包git clone后执行python setup install可规避 Windows 默认 gbk 编码导致的UnicodeDecodeError。5. 快速开始城市百科知识问答系统一键体验5.1 数据说明示例知识库数据为爬取的百度百科国内重点城市介绍文档将文档中的非结构化文本抽取后按段落切分作为问答知识库数据共 365 个城市的百科介绍文档切分后 1318 个段落。5.2 一键运行示例脚本仓库预置了城市百科问答系统的代码示例可通过dense_qa_example.py快速体验建议 GPU 环境CPU 也可运行但耗时较长# 建议在 GPU 环境下运行本示例运行速度较快 # 设置 1 个空闲的 GPU 卡此处假设 0 卡为空闲 GPU export CUDA_VISIBLE_DEVICES0 python examples/question-answering/dense_qa_example.py --device gpu # 如果只有 CPU 机器可以通过 --device 参数指定 cpu 即可, 运行耗时较长 unset CUDA_VISIBLE_DEVICES python examples/question-answering/dense_qa_example.py --device cpudense_qa_example.py支持的命令行参数见 dense_qa_example.py参数默认值说明--devicegpu运行设备可选cpu/gpu--index_namefaiss_indexFAISS ANN 索引名称--max_seq_len_query64查询文本分词后的最大长度--max_seq_len_passage256段落文本分词后的最大长度--retriever_batch_size16构建 ANN 索引时召回模型抽取段落向量的批大小脚本内部会从对象存储自动下载百科数据baike.zip、切分段落、写入 FAISS 文档库并更新向量索引随后加载rocketqa-zh-dureader-cross-encoder排序模型与ernie-gram-zh-finetuned-dureader-robust阅读理解模型构建ExtractiveQAPipeline以{Retriever: {top_k: 50}, Ranker: {top_k: 1}, Reader: {top_k: 1}}的参数依次回答北京市有多少个行政区上海常住人口有多少广州市总面积多大河北省的省会在哪里安徽省的简称是什么等示例问题。三个组件的预置模型详细介绍请参考 API.md。6. 构建 Web 可视化问答系统整个 Web 可视化问答系统包含3 大组件基于 ElasticSearch 的 ANN 服务向量检索库基于 REST API 的模型服务召回 排序 阅读推理基于 Streamlit 的 WebUI人机交互界面以下依次搭建这 3 个服务并串联成完整的可视化问答系统。6.1 启动 ANN 服务ElasticSearch下载并解压 ElasticSearch 8.3.2参考官方文档。修改 ElasticSearch 安装目录下config/elasticsearch.yml的配置关闭安全认证xpack.security.enabled: false启动 ES 服务./bin/elasticsearch检查 ES 服务是否启动成功curl http://localhost:9200/_aliases?prettytrue备注ES 服务默认开启端口为 9200。如果以 root 用户启动报错java.lang.RuntimeException: can not run elasticsearch as root可参考 FAQ.md 中的做法新建非 root 用户并授予 ES 安装目录权限后以该用户启动。6.2 文档数据写入 ANN 索引库使用utils/offline_ann.py将百科城市数据写入 ES 建立 ANN 索引库python utils/offline_ann.py --index_name baike_cities \ --doc_dir data/baike \ --delete_index \ --query_embedding_model rocketqa-zh-nano-query-encoder \ --passage_embedding_model rocketqa-zh-nano-para-encoder \ --embedding_dim 312参数含义说明完整参数见 offline_ann.py参数默认值说明index_namebaike_citiesANN 索引的名称doc_dirdata/baike/txt 文本数据的路径host127.0.0.1ElasticSearch 的 IP 地址port9200ElasticSearch 的端口号delete_indexfalse是否删除现有的索引和数据清空 ES 数据默认 falsesearch_engineelasticANN 检索引擎类型可选elastic/milvus/besBaidu ElasticSearchembedding_dim768索引的向量维度需与模型输出维度一致nano 系列为 312username/password空ANN 检索引擎的用户名与密码如 BESquery_embedding_modelrocketqa-zh-base-query-encoder查询侧编码模型passage_embedding_modelrocketqa-zh-base-para-encoder段落侧编码模型devicegpu运行设备可选cpu/gpuembed_titleFalse是否将标题拼接进 embeddingsplit_answersFalse是否将行切分为问题与答案此外脚本还提供params_path加载本地 checkpoint、use_splitter是否使用更精细的切分器配合chunk_size、chunk_overlap、separator、language、pooling_mode等参数、es_chunk_size/es_thread_count/es_queue_sizeES 批量写入调优等高级选项。当doc_dir为脚本内置的数据键如data/baike、data/dureader_dev、data/insurance时脚本会自动下载对应数据压缩包。运行成功后会输出类似日志段落数量应与建库数据一致INFO - pipelines.utils.logger - Logged parameters: {processor: TextSimilarityProcessor, tokenizer: NoneType, max_seq_len: 0, dev_split: 0.1} INFO - pipelines.document_stores.elasticsearch - Updating embeddings for all 1318 docs ... Updating embeddings: 10000 Docs [00:16, 617.76 Docs/s]使用如下命令查看插入结果curl -XGET http://localhost:9200/baike_cities/_count运行结束后会有如下输出{count:1318,_shards:{total:1,successful:1,skipped:0,failed:0}}6.3 启动 REST API 模型服务注意dense_qa.yaml中配置的检索模型需要与前面使用offline_ann.py建库时使用的检索模型一致包括模型名与向量维度否则会出现向量维度不匹配、召回失效的问题。# 指定智能问答系统的Yaml配置文件 export PIPELINE_YAML_PATHrest_api/pipeline/dense_qa.yaml # 使用端口号 8891 启动模型服务 python rest_api/application.py 8891Linux 用户推荐采用 Shell 脚本一键启动sh examples/question-answering/run_qa_server.shrun_qa_server.sh内部即设置CUDA_VISIBLE_DEVICES0、PIPELINE_YAML_PATHrest_api/pipeline/dense_qa.yaml后执行python rest_api/application.py 8891见 run_qa_server.sh。rest_api/application.py基于 FastAPI 构建注册了 search检索、feedback反馈、file-upload文件上传、document文档管理四类路由见 router.py并默认开启 CORS 允许浏览器跨域访问。启动后可用 curl 验证服务curl -X POST -k http://localhost:8891/query -H Content-Type: application/json -d {query: 北京市有多少个行政区,params: {Retriever: {top_k: 5}, Ranker:{top_k: 5}}}更多 API 接口文档及调用方式可通过http://127.0.0.1:8891/docsFastAPI 自动生成的 OpenAPI 文档查看。dense_qa.yaml 流水线配置精读服务启动前会读取 dense_qa.yaml该文件定义了整套流水线的组件与连接关系version: 1.1.0 components: # define all the building-blocks for Pipeline - name: DocumentStore type: ElasticsearchDocumentStore params: host: localhost index: baike_cities embedding_dim: 312 port: 9200 - name: Retriever type: DensePassageRetriever params: document_store: DocumentStore # params can reference other components defined in the YAML top_k: 10 query_embedding_model: rocketqa-zh-nano-query-encoder passage_embedding_model: rocketqa-zh-nano-query-encoder embed_title: False - name: Ranker type: ErnieRanker params: model_name_or_path: rocketqa-zh-dureader-cross-encoder top_k: 5 - name: Reader type: ErnieReader params: model_name_or_path: ernie-gram-zh-finetuned-dureader-robust context_window_size: 1000 return_no_answer: true top_k: 5 - name: TextFileConverter type: TextConverter - name: ImageFileConverter type: ImageToTextConverter - name: PDFFileConverter type: PDFToTextConverter - name: DocxFileConverter type: DocxToTextConverter - name: Preprocessor type: PreProcessor params: split_by: word split_length: 1000 - name: FileTypeClassifier type: FileTypeClassifier pipelines: - name: query # a sample extractive-qa Pipeline type: Query nodes: - name: Retriever inputs: [Query] - name: Ranker inputs: [Retriever] - name: Reader inputs: [Ranker] - name: indexing type: Indexing nodes: - name: FileTypeClassifier inputs: [File] # ...各文件转换器按类型分派经 Preprocessor 切分后由 Retriever 生成向量并写入 DocumentStore关键配置解读DocumentStore指定 ES 连接地址host: localhost、port: 9200、索引名index: baike_cities与向量维度embedding_dim: 312与rocketqa-zh-nano-*模型输出维度一致若要支撑更大规模文档YAML 注释中还提示可考虑MilvusDocumentStore或WeaviateDocumentStore。Retrievertop_k: 10控制每路召回的候选文档数passage_embedding_model与query_embedding_model在此示例中同为 nano 系列编码器。Rankerrocketqa-zh-dureader-cross-encodertop_k: 5控制重排后送入 Reader 的文档数。Readercontext_window_size: 1000控制答案上下文显示窗口return_no_answer: true允许在找不到答案时返回无答案预测。indexing流水线FileTypeClassifier按文件类型分派到TextConverter/PDFToTextConverter/DocxToTextConverter/ImageToTextConverter经PreProcessor按词切分、每块 1000 词切分后由Retriever生成向量并写入DocumentStore这正是 WebUI 前端上传文件建索引的底层链路。6.4 启动 WebUIStreamlitpip install streamlit1.11.1 # 配置模型服务地址 export API_ENDPOINThttp://127.0.0.1:8891 # 在指定端口 8502 启动 WebUI python -m streamlit run ui/webapp_question_answering.py --server.port 8502Linux 用户推荐采用 Shell 脚本启动sh examples/question-answering/run_qa_web.shrun_qa_web.sh内部会unset http_proxy unset https_proxy设置API_ENDPOINThttp://127.0.0.1:8891后以 8502 端口启动 WebUI见 run_qa_web.sh。WebUI 前端webapp_question_answering.py支持通过环境变量定制默认问题、答案、召回与重排数量DEFAULT_QUESTION_AT_STARTUP默认中国的首都在哪里?、DEFAULT_ANSWER_AT_STARTUP默认北京、DEFAULT_DOCS_FROM_RETRIEVER默认 50、DEFAULT_DOCS_FROM_RANKER默认 1、DEFAULT_NUMBER_OF_ANSWERS默认 1。到这里打开浏览器访问http://127.0.0.1:8502即可体验城市百科知识问答系统服务。6.5 数据更新数据更新有两种方式命令行更新继续使用utils/offline_ann.py对新的文档目录建库配合--delete_index可先清空旧索引。前端界面上传WebUI 支持上传 txt、pdf、image、word 格式文件并自动建索引。以 txt 为例每段文本需要使用空行隔开程序会根据空行进行分段建立索引。示例数据demo.txt格式如下兴证策略认为最恐慌的时候已经过去未来一个月市场迎来阶段性修复窗口。 从海外市场表现看 对俄乌冲突的恐慌情绪已显著释放 海外权益市场也从单边下跌转入双向波动。 长期继续聚焦科技创新的五大方向。1)新能源(新能源汽车、光伏、风电、特高压等)2)新一代信息通信技术(人工智能、大数据、云计算、5G等)3)高端制造(智能数控机床、机器人、先进轨交装备等)4)生物医药(创新药、CXO、医疗器械和诊断设备等)5)军工(导弹设备、军工电子元器件、空间站、航天飞机等)。前端上传建索引的流程由dense_qa.yaml中的indexing流水线驱动文件先经FileTypeClassifier按类型分派给对应的文件转换器再经PreProcessor切分最后由Retriever计算向量并写入DocumentStore。7. 预置模型一览与自定义模型接入7.1 预置模型Pipelines 的预置模型详细介绍见 API.md要点如下DensePassageRetriever双塔检索模型中文侧提供rocketqa-zh-base-query-encoder12 层、768 hidden、118M 参数、rocketqa-zh-medium-query-encoder6 层、768 hidden、75M、rocketqa-zh-mini-query-encoder6 层、384 hidden、27M、rocketqa-zh-micro-query-encoder4 层、384 hidden、23M、rocketqa-zh-nano-query-encoder4 层、312 hidden、18M均基于 DuReader retrieval 文本训练英文侧提供rocketqav2-en-marco-query-encoder、ernie-search-base-dual-encoder-marco-en基于 MSMARCO 训练。ErnieRankerCross-Encoder 排序模型中文侧为rocketqa-base/medium/mini/micro/nano-cross-encoder系列英文侧为rocketqav2-en-marco-cross-encoder、ernie-search-large-cross-encoder-marco-en。ErnieReader抽取式阅读理解模型预置ernie-gram-zh-finetuned-dureader-robust12 层、768 hidden、118M 参数基于 DuReader Robust 文本训练。7.2 训练并接入自定义模型召回与排序模型训练可参考 neural_search 应用目录slm/applications/neural_search下的recall/与ranking/子目录中的训练流程召回和排序模型的接入流程与语义检索Neural Search的接入流程一致。答案抽取模型训练参考 machine_reading_comprehension/DuReader-robust 示例slm/examples/machine_reading_comprehension/DuReader-robust中的训练教程。接入方式召回与排序模型在dense_qa.yaml或DensePassageRetriever/ErnieRanker构造参数中把模型名称替换为自己的模型即可阅读理解模型只需在加载模型ErnieReader的model_name_or_path时把模型名称换成您训练好的模型路径即可。DensePassageRetriever也支持传入本地模型目录query_embedding_modelmodel_directory/question-encoder以及通过params_path指定 checkpoint。8. FAQ 与常见问题排查安装或运行过程中遇到问题可查阅 FAQ.md以下是常见问题摘要Windows 下 pip 安装htbuilder报UnicodeDecodeError: gbk codec cant decode byte...是 Windows 默认 gbk 编码导致可通过源码安装git clone后python setup install解决。终端输出乱码设置操作系统默认编码为中文 UTF-8export LANGzh_CN.UTF-8Linux 上以 root 启动 elasticsearch 报can not run elasticsearch as rootES 需在非 root 环境下运行可新建用户并授权adduser est chown est:est -R ${HOME}/elasticsearch-8.3.2/ cd ${HOME}/elasticsearch-8.3.2/ su est ./bin/elasticsearch9. 参考资料与致谢本文内容围绕以下基础研究工作展开ERNIE 3.0 大规模知识增强预训练模型用于语言理解与生成、RocketQA 开放域稠密检索问答训练方法用于召回与排序模型、以及 DuReader_robust 中文机器阅读理解数据集用于鲁棒性评估与阅读模型微调。在框架设计上本项目借鉴了 Deepset.ai Haystack 优秀的框架设计如组件化流水线、文档存储抽象等在此对 Haystack 作者及其开源社区表示感谢。赞分享人工智能大模型预训练微调LoRARLHF强化学习分布式训练【免费下载链接】PaddleNLPEasy-to-use and powerful LLM and SLM library with awesome model zoo.项目地址https://gitcode.com/gh_mirrors/pa/PaddleNLP点击查看免费下载相关推荐Windows 环境下使用 PaddleNLP Pipelines 搭建端到端城市百科智能问答系统Windows 环境下使用 PaddleNLP Pipelines 搭建端到端城市百科智能问答系统 本文基于 PaddleNLP 仓库中 Windows 安装指人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLP如何用免费开源工具NoFences彻底告别杂乱Windows桌面3分钟创建你的专属数字工作区如何用免费开源工具NoFences彻底告别杂乱Windows桌面3分钟创建你的专属数字工作区 还在为Windows桌面上堆积如山的图标感到头疼吗每次找文件都人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLPPaddleNLP Pipelines 语义检索Neural Search系统实战从 RocketQA 召回排序到 Web 可视化端到端部署PaddleNLP Pipelines 语义检索Neural Search系统实战从 RocketQA 召回排序到 Web 可视化端到端部署 导读 本文基人工智能大模型预训练微调LoRARLHF强化学习分布式训练模型推理服务推理引擎模型量化模型压缩本地部署NLP上一篇Apache Cassandra与Riak对比分布式架构差异下一篇gitfiti颜色映射机制贡献数量与显示深度关系创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
