基于qwen模型实现大模型应用探索-党务知识小助手

本模型基于qwen2-7b-instruct模型，通过LoRA的训练方式，在党务知识数据混合通用数据的数据集上进行微调，适用于党务领域问答任务；包括但不局限于党员、入党积极分子分子学习等场景。

目录

• 数据准备
• 微调
• 推理
• 部署
• 智能体应用

数据准备

数据集采自党务问答网中的对话，利用python脚本获取提问，人工筛选问题答案。经训练后，发现遗忘问题严重。为解决该问题，我们在重新筛选党务知识数据集的基础上，将党务数据集混合通用微调数据集通用微调数据集进行训练，训练效果明显好转。
获取党务知识数据的问题代码如下:

import requests  
from bs4 import BeautifulSoup  
import pandas as pd  

base_url = "https://wenda.12371.cn/liebiao.php?mod=forumdisplay&fid=3"  
page = 1  
def fetch_page(url):  
    headers = {
     
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'  
  }  
    response = requests.get(url, headers=headers)  
    response.raise_for_status()  
    return response.text  
def parse_page(html):  
    soup = BeautifulSoup(html, 'html.parser')  
    items = soup.find_all('li', id=lambda x: x and x.startswith('normalthread_'))  
    data = []  
    for item in items:  
        title_tag = item.find('p', class_='questionTit')  

        title = title_tag.get_text(strip=True) if title_tag else 'N/A'  
  data.append({
   'title': title})  

    next_page = soup.find('a', class_='next')  
    next_page_url = next_page['href'] if next_page else None  

 return data, next_page_url  

def main():  
    global base_url  
    global page  
    all_data = []  
    while True:  
        url = f"{base_url}&page={page}"  
  html = fetch_page(url)  
        data, next_page_url = parse_page(html)  
        print(data[0]['title'])  
        all_data.extend(data)  

        if next_page_url:  
            base_url = f"https://wenda.12371.cn/{next_page_url}"  
  page += 1  
  else:  
            break  

 for item in all_data:  
        print(item['title'])  

    df = pd.DataFrame(all_data)  
    df.to_excel("D:\\dangwu\\问题收集.xlsx", index=False, engine='openpyxl')  

if __name__ == "__main__":  
    main()

数据集格式采用如下对话形式：

{
    "from": "user",
    "value": "介绍一下自己"
},
{
    "from": "assistant",
    "value": "我是皮皮，由ModelScope开源模型应用挑战赛--外星人战队训练的人工智能党务知识小助手。我的目标是为用户提供有用、准确和及时的信息，并通过各种方式帮助用户进行有效的沟通。请告诉我有什么可以帮助您的呢？"
}
{
    "from": "user",
    "value": "线上转党组织关系，超过天未接收会怎么样？十二月份发起党组织关系转接，但接收地支部名称有误，导致接收地系统无法收到转接命令，期间由于系统问题，十二月和一月系统始终无法正常登录。请问这种情况下超过六十天未被接收会怎样，应该怎样解决呢？"
},
{
    "from": "assistant",
    "value": "线上的流程，里面也是有转接日期的时间限制，一般不超过个月，超过了期限，介绍信无效。解决方式：原流程作废，重新发起组织关系转移的流程。"
}
{
    "from": "user",
    "value": "党支部纪检委员必须单设吗？如果不必须单设，是可以组织委员兼任还是宣传委员兼任，或者是都可以？"
},
{
    "from": "assistant", 
    "value": "要求必须设置，可以由其他委员兼任。不建议组织委员兼任，一般由宣传委员兼任。"
}

数据集格式处理脚本代码如下:

import json  
import os  
import re  
def remove_non_chinese_chars(text):  
    return re.sub(r'[^\u4e00-\u9fa5，。！？、；：“”‘’（）《》【】]', '', text)  

seen_client_data = set()  
def Fuc(path,output_file)  :  
    global seen_client_data  
    with open(path, 'r', encoding='utf-8') as infile:  
        original_data = json.load(infile)  

    output=""  
  user_count = 0  
  assistant_count = 0  
  for item in original_data:  
        content = remove_non_chinese_chars(item["content"])  
        if item["role"] == "client":  
            if content in seen_client_data:  
                return  
  seen_client_data.add(content)  
            data="{\\\"from\\\": \\\"user\\\", \\\"value\\\": \\\""+content+"\\\"}, "  
  user_count += 1  
  if (user_count - assistant_count != 1):  
            return  
 if item["role"]=="counselor" :  
            data = "{\\\"from\\\": \\\"assistant\\\", \\\"value\\\": \\\"" + content + "\\\"}, "  
  assistant_count += 1  
  output=output+data  
  if (user_count != assistant_count):  
        return  
  output="{\"conversations\": \"["+output+"]\", \"origin\": \"[]\"}"  
  output=output[:-21]+output[-19:]  
    with open(output_file, 'a', encoding='utf-8') as outfile:  
        outfile.write(output + '\n')  
    # print(output)  

folder_path = "C:\\Users\\86183\\Desktop\\data"  
output_file = "C:\\Users\\86183\\Desktop\\output.txt"  

try:  
    files_and_dirs = os.listdir(folder_path)  

    files = [f for f in files_and_dirs if os.path.isfile(os.path.join(folder_path, f))]  

    for file in files:  
        Fuc(os.path.join(folder_path, file), output_file)  
except FileNotFoundError:  
    print(f"文件夹 {folder_path} 未找到。")  
except PermissionError:  
    print(f"没有权限访问文件夹 {folder_path}。")  
except Exception as e:  
    print(f"发生错误: {e}")

最后将处理好的数据集上传至ModelScope数据集，可直接在微调参数中使用。

微调

该党务知识小助手基于qwen2-7b-struct大模型，为节省显存，我们采用LoRA微调方法。
系统：采用modelscope:1.16.1-pytorch2.3.0tensorflow2.16.1-gpu-py310-cu121-ubuntu22.04镜像
显卡：NVIDIA A10
模型：qwen2-7b-instruct
框架：魔搭轻量训推框架SWIFT 接链接https://github.com/modelscope/ms-swift
显存：最高达到20.54G的显存占用
训练时长: 2d 20h 6m
用于训练的脚本如下:

CUDA_VISIBLE_DEVICES=0 \
swift sft \
    --model_type qwen2-7b-instruct \
    --sft_type lora \
    --output_dir output \
    --dataset output_dataset \
    --num_train_epochs 1 \
    --max_length 1024 \
    --check_dataset_strategy warning \
    --lora_rank 8 \
    --lora_alpha 32 \
    --lora_dropout_p 0.05 \
    --lora_target_modules ALL \
    --gradient_checkpointing true \
    --batch_size 1 \
    --learning_rate 5e-5 \
    --gradient_accumulation_steps 16 \
    --max_grad_norm 1.0 \
    --warmup_ratio 0.03 \
    --eval_steps 100 \
    --save_steps 100 \
    --save_total_limit 2 \
    --logging_steps 10

训练效果

eval_loss和eval_acc效果如下:

横轴为训练步数，纵轴分别为残差值和准确率

推理

推理脚本如下:

swift infer --ckpt_dir output/qwen2-7b-instruct/v0-20240902-123232/checkpoint-27400

best checkpoint

我们采用人工评估的方式看看大模型的训练效果,我们将展示第一次获取的党务数据集和最后经完善的混合数据集。
党务知识数据集推理效果:

回答效果不尽人意。
混合数据集推理效果:

通过对比，回答效果明显好转。
该党务知识问答模型已经上传至ModelScope党务知识问答小助手

部署

部署脚本如下:

swift deploy --ckpt_dir output/qwen2-7b-instruct/v0-20240902-123232/checkpoint-27400

部署成功页面如下：

智能体应用

上面我们已经把模型微调好了，接下来就是如何将我们微调好的模型部署上传到Modelscope的创空间上面去。下面是部署代码。

import os
import gradio as gr
from modelscope import AutoTokenizer, snapshot_download
from modelscope import AutoModelForCausalLM
import torch

modelscope_model_path = "lzjune0315/competition"
model_path = snapshot_download(modelscope_model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16,  
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_path)

def generate_party_answer(prompt, tokenizer, model):
    model_inputs = tokenizer([prompt], return_tensors="pt").to(model.device)
    generated_ids = model.generate(
        model_inputs.input_ids,
        max_new_tokens=64  
    )
    generated_ids = [
        output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
    ]

    response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
    return response

def process_party_knowledge(question, progress=gr.Progress()):
    progress(0, desc="开始处理")
    input_prompt = "党务知识问题：" + question + " 答案："
    response = generate_party_answer(input_prompt, tokenizer, model)
    return response

demo = gr.Interface(fn=process_party_knowledge,
                    inputs=[gr.Textbox(label="党务知识问题", lines=10)],
                    outputs=[gr.Textbox(label="答案", lines=10)],
                    title="党务知识问答小助手",
                    description="请在左边对话框输入你的党务知识问题并点击‘Submit’按钮，耐心等待一会儿，右边的对话框将显示答案。")
demo.launch()

下载模型

modelscope_model_path: 即我们微调后上传至Modelscope模型的路径
snapshot_download(): 从ModelScope平台下载指定路径下的模型

加载模型和分词器

AutoModelForCausalLM.from_pretrained: 从指定路径加载预训练的因果语言模型
AutoTokenizer.from_pretrained: 加载与模型对应的分词器

定义生成党务知识答案的函数

tokenizer([prompt], return_tensors="pt"): 将输入文本转化为模型可以处理的张量格式
model.generate: 使用模型生成回答，生成最多64个新词
batch_decode: 将生成的ID序列转回人类可读的文本

定义处理函数

process_party_knowledge: 处理用户问题并生成答案的函数

创建Gradio接口

gr.Interface: 创建一个交互式网页界面

该智能体应用已经部署到创空间党务知识问答小助手