Skip to content

Latest commit

 

History

History
349 lines (244 loc) · 21.2 KB

README.md

File metadata and controls

349 lines (244 loc) · 21.2 KB
Raw


中文 | English

license issue resolution open issues

🔍 探索我们的模型：

Open in OpenXLabOpen in OpenXLab

Static BadgeStatic BadgeStatic Badge

《食神》项目获上海人工智能实验室主办的2024浦源大模型系列挑战赛春季赛创新创意奖！！！

📍目录

📖项目简介

​ 本项目名称为“食神”（ The God Of Cookery ），灵感来自喜剧大师周星驰主演的著名电影《食神》，旨在通过人工智能技术为用户提供烹饪咨询和食谱推荐，帮助用户更好地学习和实践烹饪技巧，降低烹饪门槛，实现《食神》电影中所讲的“只要用心，人人皆能做食神”。

​ 本APP的基本思想，是基于InternLM的对话模型，采用 XiaChuFang Recipe Corpus 提供的1,520,327种中国食谱进行微调，生成食谱模型。 模型存放在ModelScope上，应用部署在OpenXlab上。为此感谢魔搭社区提供免费的模型存放空间，感谢OpenXLab提供应用部署环境及GPU资源。

​ 本APP提供的回答仅供参考，不作为正式菜谱的真实制作步骤。由于大模型的“幻觉”特性，很可能有些食谱会给用户带来心理或生理上的不利影响，切勿上纲上线。

🗺️技术架构

1. 整体技术架构

​ 项目主要依赖上海人工智能实验室开源模型internlm-chat-7b（包含1代和2代），在XiaChuFang Recipe Corpus 提供的1,520,327种中国食谱数据集上借助Xtuner进行LoRA微调，形成shishen2_full模型，并将微调后模型与向量数据库整合入langchain，实现RAG检索增强的效果，并可进行多模态（语音、文字、图片）问答对话，前端基于streamlit实现与用户的交互。

2. 应用整体流程

​ 用户发出请求后，应用加载模型（语音模型，文生图模型，微调后的对话模型），并处理用户的文字输入或者语音输入，如果未打开RAG开关，则直接调用微调后的对话模型生成回复，对结果进行格式化输出，并调用stable diffusion模型生成图片，最后将相应结果返回用户；如果打开RAG开关，则利用langchain检索向量数据库，并将检索结果输入微调后的对话模型生成回复，对结果进行格式化输出，并调用stable diffusion模型生成图片，最后将相应结果返回用户。

✨技术报告

1.技术报告

2.讲解视频

章节名称 文档写作负责人 技术负责人
总体概述 轩辕, 九月, 张辉 张辉
语音识别 轩辕 sole fish
文生图 房宇亮 房宇亮
RAG 轩辕 Charles，乐正萌
模型微调 轩辕 张辉，轩辕
Web UI 房宇亮 房宇亮

📆更新说明

  • 敬请期待...

  • 基于llama-index和HyQE的RAG系统

  • 语音输出

  • 其他大模型支持

  • [2024.4.21] 基于团队成员 @乐正萌 的HyQE(基于LangChain)合并到main分支

  • [2024.3.20] 修改readme

  • [2024.3.19] 整合文档到docs目录

  • [2024.3.9] 基于团队成员 @乐正萌 的RAG模块(faiss)，整合 text2image分支，发布二阶段第4个基于openxlab A100的应用 点我体验 和 openxlab A10的应用 点我体验

  • [2024.3.4] 增加英文readme

  • [2024.3.3] 基于团队成员 @sole fish 的 paraformer语音输入模块，整合 text2image分支，发布二阶段第3个基于openxlab A100的应用 点我体验（此链接已弃用）

  • [2024.2.24] 基于团队成员 @Charles 的RAG模块(Chroma)，整合 text2image分支，发布二阶段第2个基于openxlab A100的应用 点我体验（此链接已弃用）

  • [2024.2.22] 基于团队成员 @房宇亮 的文生图模块 以及 @sole fish 的 whisper语音输入模块，整合 text2image分支，发布二阶段（模型基座InternLM2-Chat-7B）第1个基于openxlab A100的应用 点我体验（此链接已弃用）

  • [2024.1.30] 基于团队成员 @张辉 二代150万菜谱微调的模型和APP发布。（使用InternStudio+A100 1/4X2 40G显存微调，1.25 15:46-1.30 12:25，微调历时4天20小时39分钟）

  • [2024.1.28] 基于团队成员 @张辉一代150万菜谱(使用了其中一部分数据)微调的模型（模型基座为InternLM-Chat-7B）和APP发布。（使用WSL+Ubuntu22.04+RTX4090 24G显存微调，1.26 18:40-1.28 13:46历时1天19小时6分钟）。

🛠️使用指南

1. 数据集准备

150万下厨房微调数据集:提取密码8489

2. 安装

  • 准备 Python 虚拟环境：
conda create -n cook python=3.10 -y
conda activate cook
  • 克隆该仓库：
git clone https://github.com/SmartFlowAI/TheGodOfCookery.git
cd ./TheGodOfCookery
  • 安装Pytorch和依赖库：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
pip install -r requirements.txt

这里cuda的版本根据用户自己的cuda版本确定。一般为 11.8或12.1

3. 训练

  • 一阶段一代7b模型 使用 xtuner 0.1.9 训练，在 internlm-chat-7b 上进行微调
  • 一阶段二代7b模型 使用 xtuner 0.1.13 训练，在 internlm2-chat-7b 上进行微调
  • 二阶段二代1.8b模型 使用 xtuner 0.1.15.dev0 训练，在 internlm2-chat-1.8b 上进行微调

（1）微调方法如下：

xtuner train ${YOUR_CONFIG} --deepspeed deepspeed_zero2

--deepspeed` 表示使用 DeepSpeed 来优化训练过程。XTuner 内置了多种策略，包括 ZeRO-1、ZeRO-2、ZeRO-3 等。如果用户期望关闭此功能，请直接移除此参数。

（2）将保存的 .pth 模型（如果使用的DeepSpeed，则将会是一个文件夹）转换为 LoRA 模型：

export MKL_SERVICE_FORCE_INTEL=1
xtuner convert pth_to_hf ${YOUR_CONFIG} ${PTH} ${LoRA_PATH}

（3）将LoRA模型合并入 HuggingFace 模型：

xtuner convert merge ${Base_PATH} ${LoRA_PATH} ${SAVE_PATH}

4. 对话

xtuner chat ${SAVE_PATH} [optional arguments]

参数：

  • --prompt-template: 一代模型使用 internlm_chat，二代使用 internlm2_chat。
  • --system: 指定对话的系统字段。
  • --bits {4,8,None}: 指定 LLM 的比特数。默认为 fp16。
  • --no-streamer: 是否移除 streamer。
  • --top: 对于二代模型，建议为0.8。
  • --temperature: 对于二代模型，建议为0.8。
  • --repetition-penalty: 对于二代7b模型，建议为1.002，对于二代1.8b模型，建议为1.17，对于一代模型可不填。
  • 更多信息，请执行 xtuner chat -h 查看。

5. 演示

二阶段对话效果（文本+图片对话）：

Demo 访问地址：A100 A10

1710422208862

1710422224731

一阶段对话效果（纯文本对话）：

Demo 样例

answer001

answer002

6. 模型地址

modelscope一代7b模型
modelscope二代7b模型
modelscope二代1.8b模型
openxlab一代7b模型
openxlab二代7b模型 

import torch
from modelscope import AutoTokenizer, AutoModelForCausalLM
from tools.transformers.interface import GenerationConfig, generate_interactive

model_name_or_path = "zhanghuiATchina/zhangxiaobai_shishen_full" #modelscope相对路径，如二代微调模型为 zhanghuiATchina/zhangxiaobai_shishen2_full

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='auto')
model = model.eval()

messages = []
generation_config = GenerationConfig(max_length=max_length, top_p=0.8, temperature=0.8, repetition_penalty=1.002)

response, history = model.chat(tokenizer, "你好", history=[])
print(response)
response, history = model.chat(tokenizer, "酸菜鱼怎么做", history=history)
print(response)

7. 实践文档

一阶段一代实践
一阶段二代实践

8. 演示视频

一阶段实践视频

参赛视频

📋项目代码结构

二阶段

项目目录
|---assets  # 图片目录，生成的图片临时也放在这里，今后会考虑迁移到其他目录
|     |---robot.png                                        #对话机器人图标 
|     |---user.png                                         #对话用户图标 
|     |---shishen.png                                      #项目图标 （主要贡献者 @刘光磊）
|
|---config   # 配置文件目录（主要贡献者 @房宇亮）
|     |---__init__.py                                      #初始化脚本
|     |---config.py                                        #配置脚本
|
|---docs   # 文档目录
|     |---tech_report.md                                   #技术报告
|     |---Introduce_x.x.pdf                                #项目介绍PPT
|
|---eval   # RAG模块评测目录
|
|---food_icon   # 食材图标目录
|     |---*.png                                            #各类食材图标
|
|---gen_image    # 文生图目录（主要贡献者 @房宇亮）
|     |---__init__.py                                      #初始化脚本
|     |---sd_gen_image.py                                  #使用Stabble Disffion的文生图模块
|     |---zhipu_ai_image.py                                #使用智谱AI的文生图模块
|
|---images   # 暂存文生图模型生成的图片的目录
|
|---rag_langchain   # 二代RAG代码目录（主要贡献者 @乐正萌）
|     |---chroma_db                                        #chroma数据库目录
|     |     |- chroma.sqlite3                              #chroma数据库文件
|     |---data                                             #菜谱数据集目录
|     |     |- tran_dataset_1000.json                      #只有1000条数据的测试菜谱数据集
|     |---faiss_index                                      #FAISS数据库目录
|     |     |- index.faiss   
|     |     |- index.pkl
|     |---retrieve                                         #retrieve目录
|     |     |- bm25retriever.pkl                           #序列化保存的BM25retrieve
|     |---CookMasterLLM.py                                 #langchain封装的大模型
|     |---create_db_json.py                                #从json数据集文件创建向量数据库
|     |---HyQEContextualCompressionRetriever.py            #HyQE检索器
|     |---interface.py                                     #RAG模块接口
|     |---README.md                                        #RAG模块说明
|
|---speech   # paraformer语音识别目录（主要贡献者 @solo fish）
|     |---__init__.py                                      #初始化脚本
|     |---utils.py                                         #语音识别处理脚本
|
|---app.py                                                 #Web Demo主脚本
|---cli_demo.py                                            #模型测试脚本
|---convert_t2s.py                                         #繁体字转简体字工具（主要贡献者 @彬彬）
|---download.py                                            #模型下载脚本
|---parse_cur_response.py                                  #输出格式化处理工具 （主要贡献者 @彬彬）
|---start.py                                               #streamlit启动脚本
|---web_demo.py                                            #Web Demo启动脚本
|---requirements.txt                                       #系统依赖包（请使用pip install -r requirements.txt安装）
|---README.md                                              #本文档

☕项目成员（排名不分先后）

用户名 组织 贡献 备注
张小白 南京大学本科毕业，现为某公司数据工程师 项目策划、测试和打杂 华为云HCDE（原华为云MVP），2020年华为云社区十佳博主，2022年昇腾社区优秀开发者，2022年华为云社区年度优秀版主，MindSpore布道师，DataWhale优秀学习者
sole fish 中国科学院大学在读博士研究生 语音输入模块
Charles 同济大学本科毕业生，考研中 一代RAG模块（基于Chroma）; RAG测试
乐正萌 上海海洋大学本科毕业生，考研中 二代RAG模块（基于faiss&Chroma）；提出HyQE；RAG迁移至llama-index框架
彬彬 华东师范大学本科毕业、现为某公司算法开发工程师 格式化输出
房宇亮 南京大学本科毕业，现为某公司算法工程师 文生图模块、配置工具
刘光磊 - 图标设计
轩辕 南京大学在读硕士 项目文档、视频整合
程宏 minisora主要维护者 技术资源整合 & 未来发展建议
usamimeri 厦门大学在读本科生 llama-index框架技术初探

💖特别鸣谢

感谢上海人工智能实验室组织的 书生·浦语实战营 学习活动~~~

感谢 OpenXLab 对项目部署的算力支持~~~

感谢 浦语小助手 对项目的支持~~~

加入我们

欢迎大模型爱好者入群参加讨论：

开源协议

本项目采用 Apache License 2.0 开源许可证。

Star History

Star History Chart