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:
-
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。
-
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:
-
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。
-
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
- 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:
-
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)
-
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
-
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
-
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。
-
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。
-
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。
-
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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0307- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









