Dirbtinis intelektas yra viena iš sparčiausiai augančių technologijų, naudojančių mašininio mokymosi algoritmus, skirtus modeliams mokyti ir išbandyti naudojant didžiulius duomenis. Duomenys gali būti saugomi skirtingais formatais, tačiau norint sukurti didelių kalbų modelius naudojant „LangChain“, dažniausiai naudojamas JSON tipas. Mokymo ir testavimo duomenys turi būti aiškūs ir išsamūs, be jokių dviprasmybių, kad modelis veiktų efektyviai.
Šiame vadove bus parodytas pydantinio JSON analizatoriaus naudojimo „LangChain“ procesas.
Kaip naudoti „Pydantic“ (JSON) analizatorių „LangChain“?
JSON duomenyse yra tekstinis duomenų formatas, kurį galima surinkti naudojant žiniatinklio grandinę ir daug kitų šaltinių, pvz., žurnalų ir kt. Kad patvirtintų duomenų tikslumą, „LangChain“ naudoja Python pydantinę biblioteką, kad supaprastintų procesą. Norėdami naudoti pydantinį JSON analizatorių LangChain, tiesiog peržiūrėkite šį vadovą:
1 veiksmas: įdiekite modulius
Norėdami pradėti procesą, tiesiog įdiekite „LangChain“ modulį, kad galėtumėte naudoti jo bibliotekas, kad galėtumėte naudoti „LangChain“ analizatorių:
pip diegti langchain
Dabar naudokite „ pip diegimas “ komanda gauti OpenAI sistemą ir naudoti jos išteklius:
pip diegti openai
Įdiegę modulius tiesiog prisijunkite prie OpenAI aplinkos pateikdami API raktą naudodami „ tu “ ir „ gauti pasą “ bibliotekos:
importuoti musimportuoti getpass
os.aplinka [ „OPENAI_API_KEY“ ] = getpass.getpass ( „OpenAI API raktas:“ )
2 veiksmas: importuokite bibliotekas
Naudokite LangChain modulį, kad importuotumėte reikiamas bibliotekas, kurias galima naudoti kuriant raginimo šabloną. Raginimo šablone aprašomas klausimų pateikimo natūralia kalba metodas, kad modelis galėtų veiksmingai suprasti raginimą. Taip pat importuokite bibliotekas, pvz., OpenAI ir ChatOpenAI, kad sukurtumėte grandines naudodami LLM pokalbių robotui kurti:
iš langchain.prompts importuoti (PromptTemplate,
ChatPromptTemplate,
HumanMessagePromptTemplate,
)
iš langchain.llms importuoti OpenAI
iš langchain.chat_models importuoti ChatOpenAI
Po to importuokite pydantines bibliotekas, tokias kaip „BaseModel“, „Field“ ir „Validator“, kad galėtumėte naudoti JSON analizatorių „LangChain“:
iš langchain.output_parsers importuoja PydanticOutputParseriš pydantic importo BaseModel, Field, validator
įvedus importavimo sąrašą
3 žingsnis: modelio kūrimas
Gavę visas bibliotekas, skirtas naudoti pydantinį JSON analizatorių, tiesiog gaukite iš anksto sukurtą išbandytą modelį naudodami OpenAI() metodą:
modelio_pavadinimas = 'text-davinci-003'temperatūra = 0,0
modelis = OpenAI ( Modelio vardas =modelio_pavadinimas, temperatūros = temperatūra )
4 veiksmas: sukonfigūruokite Actor BaseModel
Sukurkite kitą modelį, kad gautumėte atsakymus, susijusius su aktoriais, pvz., jų vardus ir filmus, paklausdami aktoriaus filmografijos:
klasės aktorius ( Bazinis modelis ) :pavadinimas: str = laukas ( apibūdinimas = „Pagrindinio aktoriaus vardas“ )
filmų_pavadinimai: sąrašas [ g ] = Laukas ( apibūdinimas = „Filmai, kuriuose vaidino aktorius“ )
actor_query = „Noriu pamatyti bet kurio aktoriaus filmografiją“
analizatorius = PydanticOutputParser ( pydantinis_objektas = Aktorius )
prompt = PromptTemplate (
šabloną = 'Atsakykite į vartotojo raginimą. \n {format_instructions} \n {query} \n “ ,
įvesties_kintamieji = [ 'užklausa' ] ,
daliniai_kintamieji = { 'formato_instrukcijos' : parser.get_format_instructions ( ) } ,
)
5 veiksmas: bazinio modelio testavimas
Tiesiog gaukite išvestį naudodami funkciją parse () su išvesties kintamuoju, kuriame yra užklausos sugeneruoti rezultatai:
_input = prompt.format_prompt ( užklausą =aktorius_užklausa )produkcija = modelis ( _input.to_string ( ) )
analizatorius.parse ( išvestis )
Aktorius vardu ' Tomas Hanksas “ su jo filmų sąrašu buvo paimtas naudojant pydantinę funkciją iš modelio:
Tai viskas apie pydantinio JSON analizatoriaus naudojimą „LangChain“.
Išvada
Norėdami naudoti pydantinį JSON analizatorių LangChain, tiesiog įdiekite LangChain ir OpenAI modulius, kad prisijungtumėte prie jų išteklių ir bibliotekų. Po to importuokite bibliotekas, pvz., OpenAI ir pydantic, kad sukurtumėte bazinį modelį ir patikrintumėte duomenis JSON forma. Sukūrę bazinį modelį, paleiskite parse() funkciją ir ji grąžins raginimo atsakymus. Šis įrašas parodė pydantinio JSON analizatoriaus naudojimo procesą „LangChain“.