DeepKE项目中大模型instructIE的使用指南与实践

概述

DeepKE项目中的instructIE模块是基于大语言模型的信息抽取工具，它能够帮助开发者在特定领域实现高效的命名实体识别(NER)和关系抽取(RE)任务。本文将详细介绍如何正确使用该模块，包括模型选择、环境配置、数据处理以及实际应用中的注意事项。

模型选择与下载

在DeepKE项目中，instructIE提供了多种基础模型和经过微调的模型供用户选择：

1. 基础模型：包括LLaMA、Alpaca、Vicuna、Zhixi、Falcon、Baichuan、ChatGLM、Qwen、MOSS、OpenBA等。这些模型需要从官方渠道下载。

2. 微调模型：项目提供了三个经过信息抽取指令数据充分训练的模型：

   • 基于LLaMA2-13B-Chat的微调模型
   • 基于BaiChuan2-13B-Chat的微调模型
   • KnowLM-IE-v2模型

选择建议：

• 中文场景推荐使用基于BaiChuan2-13B-Chat的微调模型
• 英文场景推荐使用基于LLaMA2-13B-Chat的微调模型

需要注意的是，使用微调模型时，必须同时下载对应的基础大模型。建议使用经过指令微调的-chat版本而非-base版本，因为前者具有更好的对话能力。

环境配置与模型加载

配置环境时，只需设置两个关键参数：

• model_name_or_path：指向基础大模型的路径
• checkpoint_dir：指向LoRA微调权重的路径

示例配置：

output_dir='lora/llama2-13b-chat-v1-continue'
mkdir -p ${output_dir}
CUDA_VISIBLE_DEVICES="0,1,2,3" torchrun --nproc_per_node=4 --master_port=1287 src/finetune.py \
    --do_train --do_eval \
    --overwrite_output_dir \
    --model_name_or_path 'models/llama2-13B-Chat' \
    --checkpoint_dir 'lora/llama2-13b-iepile-lora' \
    --stage 'sft' \
    --model_name 'llama' \
    --template 'llama2' \
    --train_file 'data/train.json' \
    --valid_file 'data/dev.json' \
    --output_dir=${output_dir} \
    --per_device_train_batch_size 2 \
    --per_device_eval_batch_size 2 \
    --gradient_accumulation_steps 4 \
    --preprocessing_num_workers 16 \
    --num_train_epochs 10 \
    --learning_rate 5e-5 \
    --max_grad_norm 0.5 \
    --optim "adamw_torch" \
    --max_source_length 400 \
    --cutoff_len 700 \
    --max_target_length 300 \
    --evaluation_strategy "epoch" \
    --save_strategy "epoch" \
    --save_total_limit 10 \
    --lora_r 64 \
    --lora_alpha 64 \
    --lora_dropout 0.05 \
    --bf16 \
    --bits 4

数据处理流程

要将模型应用于垂直领域，需要按照以下步骤处理数据：

1. 数据格式转换：首先将原始数据转换为统一的JSON格式，包含文本和对应的schema定义。

2. 指令转换：使用项目提供的转换脚本将数据转换为训练所需的指令格式：

python ie2instruction/convert_func.py \
    --src_path data/RE/sample.json \
    --tgt_path data/RE/train.json \
    --schema_path data/RE/schema.json \
    --language zh \
    --task RE \
    --split_num 4 \       
    --random_sort \
    --split train

3. 训练数据准备：最终生成train.json和dev.json文件，用于模型微调。

模型能力与应用限制

经过微调的instructIE模型在特定领域表现出色，但需要注意以下几点：

1. 任务类型：目前主要支持信息抽取任务，包括：

   • 实体识别(NER)
   • 关系抽取(RE)

2. 输入输出限制：

   • 输入必须是符合特定模板的结构化指令
   • 输出为JSON格式的抽取结果
   • 不会生成输入文本以外的内容

3. 开放问答能力：当前的抽取系统不支持开放问答任务。如果需要这种能力，需要在训练时加入通用语料和开放问答相关数据。

实践建议

1. 领域适配：对于垂直领域应用，建议使用领域数据进行二次微调，可以显著提升模型在该领域的表现。

2. 性能优化：根据硬件条件调整batch size和gradient accumulation steps，在显存有限的情况下保持合理的训练速度。

3. 评估策略：合理设置evaluation_strategy和save_strategy，定期保存模型检查点以便后续分析。

4. 参数调整：对于不同任务和数据规模，可能需要调整learning rate、epoch数量等超参数以获得最佳效果。

通过遵循上述指南，开发者可以有效地将DeepKE的instructIE模块应用于各种信息抽取场景，构建高效准确的领域知识抽取系统。