怎么使用langchain加載模型？langchain加載模型的幾種方式 原創(chuàng)
在前面關(guān)于??怎么在大模型之上構(gòu)建應(yīng)用??的文章中，簡(jiǎn)單介紹了langchain的功能以及幾個(gè)核心模塊，今天就其模型的功能模塊介紹一下怎么加載模型。
langchain的官網(wǎng)架構(gòu)圖
目前來說langchain加載模型主要有三種形式：
加載第三方模型服務(wù)，比如openAI，阿里云通義千問，百度文心一言，chatGLM開源模型等。
包主要在langchain.llms中，代碼如下所示：
from langchain.llms import ChatGLM
# 創(chuàng)建chatGLM模型 endpoint_url是chatGLM服務(wù)地址
glm = ChatGLM(endpoint_url="http://172.0.0.1")
resp = glm.invoke("你是誰？")
# 并發(fā)模型下，可以使用線程池的方式調(diào)用
chain = LLMChain(llm=glm)
chain.run("你是誰")第二種是從huggingface上加載開源模型，huggingface是一個(gè)類似于github的開源模型倉(cāng)庫(kù)，上面有大量的開源大模型，不了解的可以看一下之前的文章??Huggingface-個(gè)人和小微企業(yè)的福音??。
這種方式是把大模型加載到本地，所以本地如果硬件配置不行一些模型可能會(huì)跑不起來。
開發(fā)者可以通過以下方式，對(duì)大模型進(jìn)行封裝API，然后對(duì)外提供服務(wù)。
from langchain import HuggingFacePipeline
from langchain import PromptTemplate, LLMChain
# 模型名詞和任務(wù)類型
model = "facebook/bart-large-cnn"
task = "summarization"
# 從huggingface加載模型
llm = HuggingFacePipeline.from_model_id(model_id=model, task=task)
# 原生調(diào)用大模型
inv = llm.invoke("今天下雨了")
print("inv", inv)
template = """{input}"""
prompt = PromptTemplate(template=template, input_variables = ["input"])
llm_chain = LLMChain(prompt=prompt, llm=llm)
question = """今天天氣不錯(cuò)"""
# 使用LLMChain對(duì)象調(diào)用大模型
resp = llm_chain(question)
print("____________________________")
print("resp", resp)
# 使用線程池調(diào)用大模型
answer = llm_chain.run(question)
print("+++++++++++++++++++++++++")
print("answer", answer)第三種是本地自定義大模型，在大部分情況下，我們直接使用第三方的模型服務(wù)或開源模型已經(jīng)能夠滿足我們大部分需求；但在某些情況下，這些服務(wù)無法滿足我們的需求，我們需要自定義模型。
但自定義模型又不能被langchain直接調(diào)用，所以我們就需要按照langchain的格式封裝我們自己的大模型。也可以類似于第一種情況，把大模型打包成服務(wù)，然后讓langchain通過API調(diào)用。
from langchain.llms.base import LLM
# langchain中文文檔 自定義模型
# https://python.langchain.com.cn/docs/modules/model_io/models/llms/how_to/custom_llm
from typing import Any, List, Mapping, Optional
from langchain.callbacks.manager import CallbackManagerForLLMRun
from langchain.llms.base import LLM
class CustomLLM(LLM):
n: int
@property
def _llm_type(self) -> str:
return "custom"
def _call(
self,
prompt: str,
stop: Optional[List[str]]
= None,
run_manager: Optional[CallbackManagerForLLMRun] = None,
) -> str:
if stop is not None:
raise ValueError("stop kwargs are not permitted.")
return prompt[: self.n]
@property
def _identifying_params(self) -> Mapping[str, Any]:
"""Get the identifying parameters."""
return {"n": self.n}總結(jié)來說，調(diào)用大模型無非兩種形式，一種是通過API的方式調(diào)用，即把大模型打包成一個(gè)服務(wù)，所有請(qǐng)求都可以通過其提供的接口使用。類似于第一種情況。
后兩種是自己部署大模型，一個(gè)是從huggingface倉(cāng)庫(kù)中下載模型，一個(gè)是自己設(shè)計(jì)開發(fā)模型。
第一種是langchain調(diào)用第三方大模型接口，后兩種是自己直接把大模型與langchain進(jìn)行集成。前者更方便，后者掌控性更強(qiáng)。
開發(fā)者可以根據(jù)自己的業(yè)務(wù)需求，選擇合適的集成方法。
本文轉(zhuǎn)載自公眾號(hào)AI探索時(shí)代 作者：DFires
原文鏈接：??https://mp.weixin.qq.com/s/fW-PGMzxBWKdN5y6dKsruQ??
