【deepseek】本地部署+RAG知识库挂载+对话测试

发布于：2025-02-21 ⋅ 阅读:(17) ⋅ 点赞:(0)

文章目录

前言

本文主要涵盖Deepseek在ubuntu系统中的部署全流程，包括模型的下载、系统部署、本地文档向量化、向量列表存储、RAG知识库挂载、对话测试等内容

一、Deepseek模型下载(以7B为例)

说明：以下安装步骤仅限于你的服务器可以ping 通huggingface.co，如果无法ping通请参考我上一篇博客:《【deepseek】Ubuntu/centos系统中无法直接git clone下载模型的解决方法》
1. 安装 huggingface_hub (如果尚未安装)：

首先，确保已经安装了 huggingface_hub Python 包，它是 Hugging Face CLI 的依赖项。

pip install huggingface_hub

2. 登录 Hugging Face：

使用 huggingface-cli login 命令登录你的 Hugging Face 账号。

huggingface-cli login

在这里插入图片描述

该命令会提示你输入你的 Hugging Face 账号的 token。 你可以在 Hugging Face 网站上找到你的 token：

3. 安装 Git LFS (如果尚未安装)：

Git LFS (Large File Storage) 用于处理大型文件，例如模型文件。

sudo apt-get update
sudo apt-get install git-lfs
git lfs install

4. 克隆模型仓库：

使用 git clone 命令克隆模型仓库。

git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-chat

这会将 deepseek-llm-7b-chat 模型仓库克隆到你的本地目录。

5. 下载模型文件：

进入克隆的目录：

cd deepseek-llm-7b-chat

如果模型文件没有自动下载，可以使用以下命令手动下载：

git lfs pull

完整步骤：

# 1. 安装 huggingface_hub (如果尚未安装)
pip install huggingface_hub

# 2. 登录 Hugging Face
huggingface-cli login

# 3. 安装 Git LFS (如果尚未安装)
sudo apt-get update
sudo apt-get install git-lfs
git lfs install

# 4. 克隆模型仓库
git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-chat

# 5. 下载模型文件
cd deepseek-llm-7b-chat
git lfs pull

二、RAG本地知识库挂载

系统基本环境：Ubuntu 22.04.4 LTS
Python版本：3.10

1.安装必要的库

pip install langchain transformers sentence-transformers faiss-cpu unstructured pdf2image python-docx docx2txt
  • langchain: 用于构建 RAG 流程。
  • transformers: 用于加载 DeepSeek 7B 模型。
  • sentence-transformers: 用于生成文本嵌入 (embeddings)。
  • faiss-cpu: 用于存储和检索文本嵌入 (向量数据库)。
  • unstructured: 用于加载各种文档 (text, pdf, word)。
  • pdf2image: PDF 处理依赖。
  • python-docx: Word 文档处理依赖。
  • docx2txt: txt文档处理依赖。

2.加载文档并创建向量数据库
create_vector_db.py

import os
from langchain.document_loaders import TextLoader, PyPDFLoader, Docx2txtLoader, UnstructuredFileLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from tqdm import tqdm

DATA_PATH = "data/"  # 你的知识库文档所在的目录
DB_FAISS_PATH = "vectorstore/db_faiss"  # 向量数据库保存路径

def create_vector_db():
    """
    加载文档，切分文本，生成 embeddings 并存储到 FAISS 向量数据库中。
    """

    document_paths = []
    for root, _, files in os.walk(DATA_PATH):
        for file in files:
            file_path = os.path.join(root, file)
            document_paths.append(file_path)

    documents = []
    for doc_path in tqdm(document_paths, desc="加载文档"):
        try:
            if doc_path.endswith(".txt"):
                loader = TextLoader(doc_path, encoding="utf-8")
            elif doc_path.endswith(".pdf"):
                loader = PyPDFLoader(doc_path)  # 使用 PyPDFLoader
            elif doc_path.endswith(".docx") or doc_path.endswith(".doc"):
                try:
                    loader = Docx2txtLoader(doc_path)
                except ImportError:
                    print(f"docx2txt 未安装，尝试使用 UnstructuredFileLoader 加载 {doc_path}")
                    loader = UnstructuredFileLoader(doc_path)
            else:
                loader = UnstructuredFileLoader(doc_path)  # 尝试使用通用加载器
            documents.extend(loader.load())
        except Exception as e:
            print(f"加载文档 {doc_path} 失败: {e}")

    print(f"加载的文档数量: {len(documents)}")

    text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
    texts = text_splitter.split_documents(documents)

    print(f"分割后的文本块数量: {len(texts)}")

    # 过滤掉空文本块
    texts = [text for text in texts if text.page_content.strip()]

    # 打印文本块内容
    # for i, text in enumerate(texts):
    #     print(f"文本块 {i}: {text.page_content}")

    embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",
                                       model_kwargs={'device': 'cuda' if torch.cuda.is_available() else 'cpu'})

    db = FAISS.from_documents(texts, embeddings)
    db.save_local(DB_FAISS_PATH)

if __name__ == "__main__":
    import torch
    create_vector_db()
    print("向量数据库创建完成！")
  • DATA_PATH: 替换为你的本地知识库文档所在的目录。
  • DB_FAISS_PATH: 指定向量数据库的保存路径。
  • 文档加载: 使用 TextLoader, PDFLoader, Docx2txtLoader, UnstructuredFileLoader 加载不同类型的文档。 UnstructuredFileLoader 可以处理更多类型的文档，但可能需要安装额外的依赖。
  • 文本切分: 使用 RecursiveCharacterTextSplitter 将文档切分成小的文本块 (chunks)。 chunk_size 和 chunk_overlap 可以根据你的需求调整。
  • Embeddings: 使用 HuggingFaceEmbeddings 生成文本块的 embeddings。 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 是一个常用的多语言 embedding 模型。 也可以选择其他模型。
  • 向量数据库: 使用 FAISS 存储 embeddings。 FAISS 是一个高效的向量相似度搜索库。

三、创建本地对话脚本

chat_rag.py

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA

MODEL_PATH = "./deepseek-llm-7b-chat"  # 你的模型路径
DB_FAISS_PATH = "vectorstore/db_faiss"  # 向量数据库路径

def load_model():
    """加载模型和 tokenizer"""
    tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
    model = AutoModelForCausalLM.from_pretrained(MODEL_PATH, device_map="auto", torch_dtype=torch.float16)
    return model, tokenizer

def load_vector_db():
    """加载 FAISS 向量数据库"""
    embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",
                                       model_kwargs={'device': 'cuda' if torch.cuda.is_available() else 'cpu'})
    db = FAISS.load_local(DB_FAISS_PATH, embeddings, allow_dangerous_deserialization=True)  # 添加 allow_dangerous_deserialization=True
    return db

def create_rag_chain(model, tokenizer, db):
    """创建 RAG 链"""
    qa_chain = RetrievalQA.from_chain_type(
        llm=model,  #  这里的 llm 需要适配 langchain 的接口，需要做转换
        chain_type="stuff",  #  "stuff" 是最简单的 chain_type, 适合小文档
        retriever=db.as_retriever(search_kwargs={'k': 3}),  #  从向量数据库中检索最相关的 3 个文档
        return_source_documents=True,  #  返回源文档
        chain_type_kwargs={"prompt": prompt} # 使用自定义 prompt
    )
    return qa_chain

def generate_response(qa_chain, query):
    """生成回复"""
    response = qa_chain({"query": query})
    return response["result"], response["source_documents"]

# 自定义 Prompt
from langchain.prompts import PromptTemplate
prompt_template = """使用以下上下文来回答最后的问题。如果你不知道答案，就说你不知道，不要试图编造答案。
上下文：{context}
问题：{question}
有用的回答："""
prompt = PromptTemplate(
    template=prompt_template, input_variables=["context", "question"]
)

if __name__ == "__main__":
    model, tokenizer = load_model()
    db = load_vector_db()

    #  适配 langchain 的 llm 接口
    from langchain.llms import HuggingFacePipeline
    from transformers import pipeline

    pipe = pipeline("text-generation",
                    model=model,
                    tokenizer=tokenizer,
                    torch_dtype=torch.float16,
                    device_map="auto",
                    max_new_tokens=256,
                    do_sample=True,
                    top_p=0.9,
                    temperature=0.7,
                    num_return_sequences=1)

    llm = HuggingFacePipeline(pipeline=pipe)

    qa_chain = create_rag_chain(llm, tokenizer, db)

    print("欢迎使用 DeepSeek 7B Chat (RAG)！")
    print("输入 'exit' 退出对话。")

    while True:
        user_input = input("你: ")
        if user_input.lower() == "exit":
            print("感谢使用，再见！")
            break

        try:
            response, source_documents = generate_response(qa_chain, user_input)
            print("DeepSeek: " + response)
            print("\n来源文档:")
            for doc in source_documents:
                print(f"  - {doc.metadata['source']}")
        except Exception as e:
            print(f"发生错误: {e}")
            print("请检查你的输入和模型是否正确加载。")
  • MODEL_PATH: 替换为你的 DeepSeek 7B 模型路径。
  • DB_FAISS_PATH: 替换为你的向量数据库路径。
  • load_model(): 加载 DeepSeek 7B 模型和 tokenizer。
  • load_vector_db(): 加载 FAISS 向量数据库。
  • create_rag_chain(): 创建 RAG 链。
    • RetrievalQA.from_chain_type(): 使用 LangChain 的 RetrievalQA 类创建 RAG 链。
    • chain_type="stuff": 指定 chain type。 “stuff” 是最简单的 chain type，它将所有检索到的文档都塞到 prompt 中。 适合小文档。对于大文档，可以考虑使用 “map_reduce” 或 “refine” 等 chain type。
    • retriever: 使用 db.as_retriever() 创建 retriever。 search_kwargs={'k': 3} 表示从向量数据库中检索最相关的 3 个文档。
    • return_source_documents=True: 返回源文档。
  • generate_response(): 生成回复。
  • 自定义 Prompt: 使用 PromptTemplate 自定义 Prompt，让模型更好地利用上下文信息。
  • 适配 langchain 的 llm 接口: 由于 RetrievalQA 需要 langchain 风格的 llm 接口，所以需要用 HuggingFacePipeline 包装一下 transformers 的 pipeline。
  • 打印源文档: 在回复中打印源文档，方便验证信息的来源。

其他: 准备知识库文档

  1. 创建一个名为 data 的目录 (或者修改 DATA_PATH 变量)。
  2. 将你的 text, pdf, word 文档放到 data 目录中。

四、结果展示

  1. 首先运行 create_vector_db.py 创建向量数据库。
    在这里插入图片描述

  2. 然后运行 chat_rag.py 启动对话进行测试。
    在这里插入图片描述
    问：
    在这里插入图片描述
    答：
    在这里插入图片描述

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布