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 19:39:39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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
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
867
513
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
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
265
305
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
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
1.07 K
0
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
GitNextGitNext
基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3