Mākslīgais intelekts ir viena no visstraujāk augošajām tehnoloģijām, kas izmanto mašīnmācīšanās algoritmus, lai apmācītu un pārbaudītu modeļus, izmantojot milzīgus datus. Datus var glabāt dažādos formātos, taču, lai izveidotu lielu valodu modeļus, izmantojot LangChain, visbiežāk izmantotais veids ir JSON. Apmācības un testēšanas datiem ir jābūt skaidriem un pilnīgiem bez jebkādām neskaidrībām, lai modelis varētu darboties efektīvi.
Šajā rokasgrāmatā tiks parādīts pidantiskā JSON parsētāja izmantošanas process programmā LangChain.
Kā lietot Pydantic (JSON) parsētāju programmā LangChain?
JSON datos ir ietverts datu teksta formāts, ko var apkopot, izmantojot tīmekļa skrāpējumu un daudzus citus avotus, piemēram, žurnālus utt. Lai pārbaudītu datu precizitāti, LangChain izmanto Python pydantisko bibliotēku, lai vienkāršotu procesu. Lai lietotu pydantisko JSON parsētāju programmā LangChain, vienkārši izlasiet šo rokasgrāmatu:
1. darbība: instalējiet moduļus
Lai sāktu procesu, vienkārši instalējiet LangChain moduli, lai izmantotu tā bibliotēkas parsētāja lietošanai programmā LangChain:
pip uzstādīt langchain
Tagad izmantojiet ' pip instalēšana ” komandu, lai iegūtu OpenAI ietvaru un izmantotu tā resursus:
pip uzstādīt openai
Pēc moduļu instalēšanas vienkārši izveidojiet savienojumu ar OpenAI vidi, nodrošinot tās API atslēgu, izmantojot ' tu ' un ' getpass ” bibliotēkas:
importē mūsimportēt getpass
os.environ [ 'OPENAI_API_KEY' ] = getpass.getpass ( OpenAI API atslēga: )
2. darbība. Importējiet bibliotēkas
Izmantojiet LangChain moduli, lai importētu nepieciešamās bibliotēkas, kuras var izmantot uzvednes veidnes izveidei. Uzvednes veidnē ir aprakstīta metode, kā uzdot jautājumus dabiskā valodā, lai modelis varētu efektīvi saprast uzvedni. Importējiet arī tādas bibliotēkas kā OpenAI un ChatOpenAI, lai izveidotu ķēdes, izmantojot LLM tērzēšanas robota izveidei:
no langchain.prompts importēšanas (PromptTemplate,
ChatPromptTemplate,
HumanMessagePromptTemplate,
)
no langchain.llms importēt OpenAI
no langchain.chat_models importējiet ChatOpenAI
Pēc tam importējiet pydantiskās bibliotēkas, piemēram, BaseModel, Field un validatoru, lai lietotu JSON parsētāju programmā LangChain:
no langchain.output_parsers importējiet PydanticOutputParserno pydantic importa BaseModel, Field, validator
no ierakstīšanas importēšanas saraksts
3. darbība: modeļa izveide
Pēc visu bibliotēku iegūšanas pydantiskā JSON parsētāja izmantošanai vienkārši iegūstiet iepriekš izstrādātu pārbaudīto modeli ar OpenAI() metodi:
modeļa_nosaukums = 'text-davinci-003'temperatūra = 0,0
modelis = OpenAI ( modeļa_nosaukums =modeļa_nosaukums, temperatūra = temperatūra )
4. darbība: konfigurējiet Actor BaseModel
Izveidojiet citu modeli, lai saņemtu atbildes, kas saistītas ar aktieriem, piemēram, viņu vārdiem un filmām, pieprasot aktiera filmogrāfiju:
klases aktieris ( Pamatmodelis ) :nosaukums: str = lauks ( apraksts = 'Galvenā aktiera vārds' )
filmu_nosaukumi: saraksts [ str ] = Lauks ( apraksts = 'Filmas, kurās aktieris bija galvenais' )
actor_query = 'Es gribu redzēt jebkura aktiera filmogrāfiju'
parser = PydanticOutputParser ( pydantic_object =Aktieris )
prompt = PromptTemplate (
veidne = 'Atbildiet uz lietotāja uzvedni. \n {format_instructions} \n {query} \n ' ,
ievades_mainīgie = [ 'vaicājums' ] ,
daļēji_mainīgie = { 'format_instrukcijas' : parser.get_format_instructions ( ) } ,
)
5. darbība. Bāzes modeļa pārbaude
Vienkārši iegūstiet izvadi, izmantojot funkciju parse () ar izvades mainīgo, kas satur uzvednei ģenerētos rezultātus:
_input = prompt.format_prompt ( vaicājums =aktieris_vaicājums )izvade = modelis ( _input.to_string ( ) )
parsētājs.parsēt ( izvade )
Aktieris vārdā ' Toms Henks ” ar viņa filmu sarakstu ir iegūts, izmantojot pydantic funkciju no modeļa:
Tas viss attiecas uz pidantiskā JSON parsētāja izmantošanu programmā LangChain.
Secinājums
Lai lietotu pydantisko JSON parsētāju programmā LangChain, vienkārši instalējiet LangChain un OpenAI moduļus, lai izveidotu savienojumu ar to resursiem un bibliotēkām. Pēc tam importējiet bibliotēkas, piemēram, OpenAI un pydantic, lai izveidotu bāzes modeli un pārbaudītu datus JSON formātā. Pēc bāzes modeļa izveides izpildiet funkciju parse (), un tā atgriež atbildes uz uzvedni. Šī ziņa demonstrēja pydantiskā JSON parsētāja izmantošanas procesu LangChain.