Η Τεχνητή Νοημοσύνη είναι μια από τις πιο ταχέως αναπτυσσόμενες τεχνολογίες που χρησιμοποιεί αλγόριθμους μηχανικής μάθησης για την εκπαίδευση και τη δοκιμή μοντέλων χρησιμοποιώντας τεράστια δεδομένα. Τα δεδομένα μπορούν να αποθηκευτούν σε διαφορετικές μορφές, αλλά για τη δημιουργία μοντέλων μεγάλων γλωσσών χρησιμοποιώντας το LangChain, ο πιο χρησιμοποιούμενος τύπος είναι το JSON. Τα δεδομένα εκπαίδευσης και δοκιμής πρέπει να είναι σαφή και πλήρη χωρίς ασάφειες, ώστε το μοντέλο να μπορεί να αποδώσει αποτελεσματικά.
Αυτός ο οδηγός θα δείξει τη διαδικασία χρήσης του pydantic αναλυτή JSON στο LangChain.
Πώς να χρησιμοποιήσετε τον αναλυτή Pydantic (JSON) στο LangChain;
Τα δεδομένα JSON περιέχουν τη μορφή κειμένου των δεδομένων που μπορούν να συλλεχθούν μέσω της απόξεσης ιστού και πολλών άλλων πηγών, όπως αρχεία καταγραφής, κ.λπ. Για την επικύρωση της ακρίβειας των δεδομένων, το LangChain χρησιμοποιεί τη pydantic βιβλιοθήκη από την Python για να απλοποιήσει τη διαδικασία. Για να χρησιμοποιήσετε τον αναλυτή pydantic JSON στο LangChain, απλώς μεταβείτε σε αυτόν τον οδηγό:
Βήμα 1: Εγκατάσταση μονάδων
Για να ξεκινήσετε με τη διαδικασία, απλώς εγκαταστήστε τη λειτουργική μονάδα LangChain για να χρησιμοποιήσετε τις βιβλιοθήκες της για τη χρήση του αναλυτή στο LangChain:
κουκούτσι εγκαθιστώ langchain
Τώρα, χρησιμοποιήστε το ' εγκατάσταση pip ” εντολή για να αποκτήσετε το πλαίσιο OpenAI και να χρησιμοποιήσετε τους πόρους του:
κουκούτσι εγκαθιστώ openai
Μετά την εγκατάσταση των μονάδων, απλώς συνδεθείτε στο περιβάλλον OpenAI παρέχοντας το κλειδί API του χρησιμοποιώντας το ' εσείς ' και ' getpass ” βιβλιοθήκες:
εισάγετε μαςεισαγωγή getpass
os.περιβάλλον [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'Κλειδί API OpenAI:' )
Βήμα 2: Εισαγωγή βιβλιοθηκών
Χρησιμοποιήστε τη λειτουργική μονάδα LangChain για να εισαγάγετε τις απαραίτητες βιβλιοθήκες που μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός προτύπου για την προτροπή. Το πρότυπο για την προτροπή περιγράφει τη μέθοδο για την υποβολή ερωτήσεων σε φυσική γλώσσα, ώστε το μοντέλο να μπορεί να κατανοήσει αποτελεσματικά την προτροπή. Επίσης, εισάγετε βιβλιοθήκες όπως το OpenAI και το ChatOpenAI για να δημιουργήσετε αλυσίδες χρησιμοποιώντας LLM για τη δημιουργία ενός chatbot:
από το langchain.prompts εισαγωγή (PromptTemplate,
ChatPromptTemplate,
HumanMessagePromptTemplate,
)
από το langchain.llms εισαγωγή OpenAI
από το langchain.chat_models εισαγωγή ChatOpenAI
Μετά από αυτό, εισαγάγετε πυδατικές βιβλιοθήκες όπως το BaseModel, το Field και το validator για να χρησιμοποιήσετε τον αναλυτή JSON στο LangChain:
από το langchain.output_parsers εισαγωγή PydanticOutputParserαπό pydantic import BaseModel, Field, validator
από την πληκτρολόγηση λίστα εισαγωγής
Βήμα 3: Κατασκευή μοντέλου
Αφού λάβετε όλες τις βιβλιοθήκες για τη χρήση του αναλυτή pydantic JSON, απλώς αποκτήστε το προσχεδιασμένο δοκιμασμένο μοντέλο με τη μέθοδο OpenAI():
όνομα_μοντέλου = 'text-davinci-003'θερμοκρασία = 0,0
μοντέλο = OpenAI ( όνομα μοντέλου =όνομα_μοντέλου, θερμοκρασία =θερμοκρασία )
Βήμα 4: Διαμορφώστε το Actor BaseModel
Δημιουργήστε ένα άλλο μοντέλο για να λάβετε απαντήσεις σχετικά με τους ηθοποιούς, όπως τα ονόματα και τις ταινίες τους, ζητώντας τη φιλμογραφία του ηθοποιού:
κατηγορίας Ηθοποιός ( BaseModel ) :όνομα: str = Πεδίο ( περιγραφή = 'Το όνομα του πρωταγωνιστή' )
film_names: Λίστα [ str ] = Πεδίο ( περιγραφή = 'Ταινίες στις οποίες πρωταγωνιστούσε ο ηθοποιός' )
ηθοποιός_ερώτημα = «Θέλω να δω τη φιλμογραφία οποιουδήποτε ηθοποιού»
αναλυτής = PydanticOutputParser ( pydantic_object =Ηθοποιός )
prompt = PromptTemplate (
πρότυπο = 'Απαντήστε στο μήνυμα του χρήστη. \n {format_instructions} \n {ερώτηση} \n ' ,
input_variables = [ 'ερώτηση' ] ,
partal_variables = { 'format_instructions' : parser.get_format_instructions ( ) } ,
)
Βήμα 5: Δοκιμή του βασικού μοντέλου
Απλώς λάβετε την έξοδο χρησιμοποιώντας τη συνάρτηση parse() με τη μεταβλητή εξόδου που περιέχει τα αποτελέσματα που δημιουργούνται για το prompt:
_input = prompt.format_prompt ( ερώτηση =actor_query )έξοδος = μοντέλο ( _input.to_string ( ) )
αναλυτής.αναλύω ( παραγωγή )
Ο ηθοποιός με το όνομα « Τομ Χανκς » με τη λίστα των ταινιών του έχει ληφθεί χρησιμοποιώντας την πυδατική συνάρτηση από το μοντέλο:
Αυτό αφορά τη χρήση του pydantic αναλυτή JSON στο LangChain.
συμπέρασμα
Για να χρησιμοποιήσετε τον αναλυτή pydantic JSON στο LangChain, απλώς εγκαταστήστε τις μονάδες LangChain και OpenAI για να συνδεθείτε με τους πόρους και τις βιβλιοθήκες τους. Μετά από αυτό, εισάγετε βιβλιοθήκες όπως το OpenAI και το pydantic για να δημιουργήσετε ένα βασικό μοντέλο και να επαληθεύσετε τα δεδομένα με τη μορφή JSON. Μετά τη δημιουργία του βασικού μοντέλου, εκτελέστε τη συνάρτηση parse() και επιστρέφει τις απαντήσεις για την προτροπή. Αυτή η ανάρτηση έδειξε τη διαδικασία χρήσης pydantic αναλυτή JSON στο LangChain.