首页
/ DeepKE项目中大模型instructIE的使用指南与实践

DeepKE项目中大模型instructIE的使用指南与实践

2025-06-17 17:41:39作者:彭桢灵Jeremy

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
  1. 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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
openHiTLSopenHiTLS
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!
C
981
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
932
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
519
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0