G-Retriever 使用指南
2024-09-25 14:17:05作者:董宙帆
G-Retriever
Repository for G-Retriever
项目介绍
G-Retriever 是一个面向真实世界文本图的理解与问答的灵活框架,由论文 "G-Retriever: 检索增强生成在文本图形理解与问答中的应用" 引入。它设计用于多种应用场景,包括场景图理解、常识推理及知识图谱推理。该框架结合了图神经网络(GNNs)、大型语言模型(LLMs)以及检索增强生成(RAG)的优点,支持通过软提示进行微调以提升图理解能力。
项目快速启动
环境搭建
首先,创建并激活名为 g_retriever
的 Conda 虚拟环境,并安装必要的依赖:
conda create --name g_retriever python=3.9 -y
conda activate g_retriever
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia
python -c "import torch; print(torch.__version__)"
python -c "import torch; print(torch.version.cuda)"
pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-2.0.1+cu118.html
pip install peft pandas ogb transformers wandb sentencepiece torch_geometric datasets pcst_fast
数据预处理
接下来,执行数据预处理步骤,以准备所需的训练和测试数据集:
python -m src.dataset.preprocess.expla_graphs
python -m src.dataset.expla_graphs
# 注意:以下命令可能需要较长时间运行
python -m src.dataset.preprocess.scene_graphs
python -m src.dataset.scene_graphs
python -m src.dataset.preprocess.webqsp
python -m src.dataset.webqsp
运行模型
选择想要运行的模型配置,例如,运行仅用于推断的大型语言模型:
python inference.py --dataset scene_graphs --model_name inference_llm --llm_model_name 7b_chat
应用案例和最佳实践
对于最佳实践,建议先从基础模型开始,比如使用冻结的LLM加上软提示(Prompt Tuning),然后逐步过渡到使用G-Retriever模型或其带LoRA微调的版本,以适应特定的应用场景。确保对数据集进行充分的预处理,并调整模型参数以符合实际需求。利用WandB等工具监控训练过程,优化模型性能。
典型生态项目
虽然此部分通常涉及与其他项目的集成或在相同领域内的其他开源工具,但G-Retriever自身就是作为一个独立且强大的文本图理解与问答工具存在的。开发者可以探索将其集成到知识图谱应用、自然语言处理的对话系统或者任何需要理解和生成基于文本的图形信息的项目中。考虑到生态系统的扩展,社区可能会围绕G-Retriever开发更多的插件或服务,如自定义数据加载器、前端交互界面或特定领域的模型适配。
以上内容提供了G-Retriever的基本使用指导,进一步的深入学习和定制化开发需参照项目GitHub仓库中的详细文档和示例代码。
G-Retriever
Repository for G-Retriever
热门项目推荐
相关项目推荐
- CangjieCommunity为仓颉编程语言开发者打造活跃、开放、高质量的社区环境Markdown6690
- redis-sdk仓颉语言实现的Redis客户端SDK。已适配仓颉0.53.4 Beta版本。接口设计兼容jedis接口语义,支持RESP2和RESP3协议,支持发布订阅模式,支持哨兵模式和集群模式。Cangjie32226
- Yi-CoderYi Coder 编程模型,小而强大的编程助手305
- qwerty-learner为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 / Words learning and English muscle memory training software designed for keyboard workersTypeScript15.77 K1.48 K
- advanced-javaAdvanced-Java是一个Java进阶教程,适合用于学习Java高级特性和编程技巧。特点:内容深入、实例丰富、适合进阶学习。JavaScript76.1 K19.07 K
- taro开放式跨端跨框架解决方案,支持使用 React/Vue/Nerv 等框架来开发微信/京东/百度/支付宝/字节跳动/ QQ 小程序/H5/React Native 等应用。 https://taro.zone/TypeScript35.51 K4.79 K
- CommunityCangjie-TPC(Third Party Components)仓颉编程语言三方库社区资源汇总252
- Wwindows暂无简介Shell16.14 K1.35 K
- byzer-langByzer(以前的 MLSQL):一种用于数据管道、分析和人工智能的低代码开源编程语言。Scala1.88 K551
- AanacondaAnaconda turns your Sublime Text 3 in a full featured Python development IDE including autocompletion, code linting, IDE features, autopep8 formating, McCabe complexity checker Vagrant and Docker support for Sublime Text 3 using Jedi, PyFlakes, pep8, MyPy, PyLint, pep257 and McCabe that will never freeze your Sublime Text 3Python2.22 K263
热门内容推荐
展开
最新内容推荐
展开
项目优选
收起
CangjieCommunity
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
669
0
RuoYi-Vue
🎉 基于SpringBoot,Spring Security,JWT,Vue & Element 的前后端分离权限管理系统,同时提供了 Vue3 的版本
Java
136
18
openHiTLS
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
10
4
redis-sdk
仓颉语言实现的Redis客户端SDK。已适配仓颉0.53.4 Beta版本。接口设计兼容jedis接口语义,支持RESP2和RESP3协议,支持发布订阅模式,支持哨兵模式和集群模式。
Cangjie
322
26
advanced-java
Advanced-Java是一个Java进阶教程,适合用于学习Java高级特性和编程技巧。特点:内容深入、实例丰富、适合进阶学习。
JavaScript
75.83 K
19.04 K
qwerty-learner
为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 / Words learning and English muscle memory training software designed for keyboard workers
TSX
15.56 K
1.44 K
Jpom
🚀简而轻的低侵入式在线构建、自动部署、日常运维、项目监控软件
Java
1.41 K
292
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手
HTML
30
5
easy-es
Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
1.42 K
231
taro
开放式跨端跨框架解决方案,支持使用 React/Vue/Nerv 等框架来开发微信/京东/百度/支付宝/字节跳动/ QQ 小程序/H5/React Native 等应用。 https://taro.zone/
TypeScript
35.34 K
4.77 K