--- language: - zh tags: - ancient-chat-llm - internlm2 frameworks: - pytorch tasks: - text-generation license: Apache License 2.0 --- # ancient-chat-llm 古语说 —— 一个精通中国文化的大模型

Logo

ancient-chat-llm


Github repo . 查看Demo · 报告Bug & 提出新特性

## 简介 **ancient-chat-llm 古语说** 是一个能够在用户输入现代汉语后输出文言文，同时能够解答用户 **关于中国文化的问题** 的大模型，包括但不限于**唐诗、宋词、论语**等古籍，还可以让其**将文言文翻译成白话文**等，模型用 [xtuner](https://github.com/InternLM/xtuner) 在 [InternLM2](https://github.com/InternLM/InternLM) 的基础上指令微调而来。 **开源不易，如果本项目帮到大家，可以右上角帮我点个 star~ ⭐⭐ , 您的 star ⭐是我们最大的鼓励，谢谢各位！** ## NEWS - [2024.1] 新增诗词、古籍等知识微调模型 - [2024.1] 成语数据集微调模型 ## 介绍 中国文化，博大精深，源远流长。从古老的诗词歌赋到现代的文艺创作，都展现了中华民族的智慧和创造力。 - **中国古籍**，中华文明的重要组成部分，承载着丰富的历史和文化信息，反映了古代社会的风貌和人民的智慧。这些古籍不仅具有极高的历史价值，也是我们了解古代文化、传承中华文明的重要窗口。其中，《诗经》是中国最早的诗歌总集，收录了西周初年至春秋中叶的诗歌，展现了古代人民的生活和情感。其优美的语言和深邃的思想，至今仍为人们所传颂和学习。另一部重要的古籍是 **《论语》**，其是儒家学派的经典之作，记录了孔子及其弟子的言行和思想。它强调仁爱、礼义等儒家核心价值观，对中国乃至东亚地区的文化和社会产生了深远的影响。此外，**《道德经》、《易经》** 等道家经典，以及 **《孙子兵法》、《战国策》** 等兵家著作，也都是中国古代文化古籍中的重要代表。 - **中国古诗**，蕴含着深厚的文化底蕴，闪耀着诗人的智慧与才情。以李白的 **《将进酒》** 为例，诗中“人生得意须尽欢，莫使金樽空对月”传达出豁达乐观的人生态度，激励着代代读者。这样的诗句，既是中国古诗的瑰宝，也是中华文化的骄傲。让我们共同欣赏、传承这些珍贵的文化遗产，感受中国古诗的无穷魅力。 - **中国成语**，其有固定的结构形式和固定的说法，表示一定的意义，在语句中是作为一个整体来应用的。成语有很大一部分是从古代相承沿用下来的，它代表了一个故事或者典故，有些成语本就是一个微型的句子。有些成语来自于历史事件，如“完璧归赵”、“负荆请罪”等，它们通过简短的形式，概括了整个故事的内容，使得人们可以更加方便地理解和记忆。有些成语则来自于文学作品，如“柳暗花明”、“刻舟求剑”等，这些成语通过形象的比喻，表达了深刻的道理。 **这就是我们做这个模型的初衷，我们想将中华文化教给大模型，让其能够尽可能掌握中华文化，做到文化输出。** **ancient-chat-llm 古语说** 是一个能够在用户输入现代汉语后输出文言文，同时能够解答用户 **关于中国文化的问题** 的大模型，包括但不限于**唐诗、宋词、论语**等古籍，还可以让其**将文言文翻译成白话文**等，模型用 [xtuner](https://github.com/InternLM/xtuner) 在 [InternLM2](https://github.com/InternLM/InternLM) 的基础上指令微调而来。 **开源不易，如果本项目帮到大家，可以右上角帮我点个 star~ ⭐⭐ , 您的 star ⭐是我们最大的鼓励，谢谢各位！** Demo 访问地址： 模型对比： ## 模型 ### 从 ModelScope 导入 [HinGwenWoong/ancient-chat-7b](https://modelscope.cn/models/HinGwenWoong/ancient-chat-7b) ```python import torch from modelscope import snapshot_download, AutoTokenizer, AutoModelForCausalLM model_dir = snapshot_download('HinGwenWoong/ancient-chat-7b') tokenizer = AutoTokenizer.from_pretrained(model_dir, device_map="auto", trust_remote_code=True) # Set `torch_dtype=torch.float16` to load model in float16, otherwise it will be loaded as float32 and might cause OOM Error. model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="auto", trust_remote_code=True, torch_dtype=torch.float16) model = model.eval() response, history = model.chat(tokenizer, "你好", history=[]) print(response) response, history = model.chat(tokenizer, "李白简介", history=history) print(response) ``` ## 知识库 - [x] 文言文翻译 - [x] 成语 - [x] 论语 - [x] 唐诗 - [x] 宋词 - [x] 楚辞 - [x] 四书五经 - [x] 百家姓 - [x] 弟子规 - [ ] 史记 - [ ] 宫廷制度 - [ ] 二十四节气 - [ ] ... ## 环境搭建 本项目使用 [xtuner](https://github.com/InternLM/xtuner) 训练，在 [internlm2-chat-7b](https://huggingface.co/internlm/internlm2-chat-7b) 上进行微调 1. clone 本项目 ```bash git clone https://github.com/PeterH0323/ancient-chat-llm.git cd ancient-chat-llm ``` 2. 创建虚拟环境 ```bash conda env create -f environment.yml conda activate ancient-chat-llm pip install -r requirements.txt ``` ## 数据集准备 目前使用到的开源数据集有以下几个，我们还使用爬虫等技术进行爬取了其余知识库的数据集： - 文言文：https://huggingface.co/datasets/RUCAIBox/Erya-dataset/tree/main - 古诗：https://github.com/chinese-poetry/chinese-poetry 数据集结构（省略了用不到的文件）： ```bash dataset/ ├── Erya-dataset │ ├── dataset # 解压自 finetune.tgz │ └── stage_2 # 解压自 trans.tgz ├── chinese-poetry │ ├── 五代诗词 │ ├── 元曲 │ ├── 全唐诗 │ ├── 四书五经 │ ├── 宋词 │ ├── 幽梦影 │ ├── 御定全唐詩 │ ├── 曹操诗集 │ ├── 楚辞 │ ├── 水墨唐诗 │ ├── 纳兰性德 │ ├── 蒙学 │ ├── 论语 │ └── 诗经 ├── gen_dataset.py └── whoami.jsonl ``` 使用脚本可以进行生成： ```bash cd dataset python gen_dataset.py --data-root=./dataset --output=data.jsonl ``` 生成之后可以在 ${output} 设置的路径看到 jsonl 文件，样例如下： ```json { "conversation": [ { "system": "你是一位专业的中文教师。你总能解答用户关于中文的相关知识。", "input": "帮我翻译成文言文：“往西走一里，绕着新寺西边的峰嘴往北走。”", "output": "西一里，转新寺西峰之嘴而北。" } ] }, { "conversation": [ { "system": "你是一位专业的中文教师。你总能解答用户关于中文的相关知识。", "input": "背诵《将进酒》", "output": "君不见黄河之水天上来，奔流到海不复回。\n君不見高堂明鏡悲白髮，朝如青絲暮成雪。\n人生得意須盡歡，莫使金樽空對月。\n天生我材必有用，千金散盡還復來。\n烹羊宰牛且爲樂，會須一飲三百盃。\n岑夫子，丹丘生，將進酒，君莫停。\n與君歌一曲，請君爲我側耳聽。\n鐘鼓饌玉不足貴，但願長醉不願醒。\n古來聖賢皆寂寞，惟有飲者留其名。\n陳王昔時宴平樂，斗酒十千恣讙謔。\n主人何爲言少錢，徑須沽取對君酌。\n五花馬，千金裘，呼兒將出換美酒，與爾同銷萬古愁。" } ] }, ... ``` ## 训练 1. 训练之前，需要在 `xtuner` 代码中 `xtuner/xtuner/utils/templates.py` 添加 `SYSTEM_TEMPLATE.ancient_chat` ： ```diff SYSTEM_TEMPLATE = ConfigDict( moss_sft=('You are an AI assistant whose name is {bot_name}.\n' 'Capabilities and tools that {bot_name} can possess.\n' '- Inner thoughts: enabled.\n' '- Web search: enabled. API: Search(query)\n' '- Calculator: enabled. API: Calculate(expression)\n' '- Equation solver: enabled. API: Solve(equation)\n' '- Text-to-image: disabled.\n' '- Image edition: disabled.\n' '- Text-to-speech: disabled.\n'), alpaca=('Below is an instruction that describes a task. ' 'Write a response that appropriately completes the request.\n'), arxiv_gentile=('If you are an expert in writing papers, please generate ' "a good paper title for this paper based on other authors' " 'descriptions of their abstracts.\n'), colorist=('You are a professional color designer. Please provide the ' 'corresponding colors based on the description of Human.\n'), coder=('You are a professional programer. Please provide the ' 'corresponding code based on the description of Human.\n'), lawyer='你现在是一名专业的中国律师，请根据用户的问题给出准确、有理有据的回复。\n', medical='如果你是一名医生，请根据患者的描述回答医学问题。\n', sql=('If you are an expert in SQL, please generate a good SQL Query ' 'for Question based on the CREATE TABLE statement.\n'), + ancient_chat="你是一位专业的中文教师。你总能解答用户关于中文的相关知识。\n", ) ``` 2. 将 `./finetune_configs/internlm2_chat_7b/internlm2_chat_7b_qlora_custom_data_e3_finetune.py` 中 数据集路径 和 模型路径 改为您的本地路径 ```diff # Model - pretrained_model_name_or_path = 'internlm/internlm2-7b' + pretrained_model_name_or_path = '/path/to/internlm/internlm2-7b' # 这步可选，如果事先下载好了模型可以直接使用绝对路径 # Data - data_path = 'timdettmers/openassistant-guanaco' + data_path = '/path/to/data.jsonl' # 数据集步骤生成的 json 文件绝对路径 prompt_template = PROMPT_TEMPLATE.default max_length = 2048 pack_to_max_length = True ``` 3. 使用命令进行训练： ```bash xtuner train finetune_configs/internlm2_chat_7b/internlm2_chat_7b_qlora_custom_data_e3_finetune.py --deepspeed deepspeed_zero2 ``` 注意：如果显存不够了，调小一点 `batch_size` 和 `max_length`，反之还剩很多，调大这两个值 ## 部署 ### Web 部署 Demo 1. 将 pth 转为 hf ```bash xtuner convert pth_to_hf ./finetune_configs/internlm_chat_7b/internlm2_chat_7b_qlora_custom_data_e3_finetune.py \ ./work_dirs/internlm2_chat_7b_qlora_custom_data_e3_finetune/epoch_3.pth \ ./work_dirs/internlm2_chat_7b_qlora_custom_data_e3_finetune/epoch_3_hf ``` 2. 将微调后的模型和源模型 merge 生成新的模型 ```bash export MKL_SERVICE_FORCE_INTEL=1 # 解决 Error: mkl-service + Intel(R) MKL: MKL_THREADING_LAYER=INTEL is incompatible with libgomp.so.1 library. xtuner convert merge /path/to/internlm2-chat-7b \ ./work_dirs/internlm2_chat_7b_qlora_custom_data_e3_finetune/epoch_3_hf \ ./work_dirs/internlm2_chat_7b_qlora_custom_data_e3_finetune/epoch_3_merge ``` 3. 启动 web demo ```bash # web demo python app.py ``` ### LMDeploy TODO ## TODO - [ ] 使用其它大模型进行数据集扩充 - [ ] 量化模型 ## 后记 本模型在数据集方面的还没做很精细的调优，还有很多不足的地方，大家可以一起讨论，如果大家有数据集，可以在 issue 留言讨论。