基于InternLM大模型的中学历史学习助手

书生·浦语大模型实战营·大作业

国内Gitee仓库地址：https://gitee.com/an_hongjun/InternLM-History
GitHub仓库地址：https://github.com/BestAnHongjun/InternLM-History

[OpenXLab] [ModelScope] [BiliBili]

简介

中学历史学科作为培养学生综合素质和历史意识的重要学科，对于学生的发展具有深远的影响。为了提升中学生对历史学科的学习效果，开发基于InternLM大模型的中学历史学习助手。

数据来源

训练数据来源于2022年全国各地中考历史题，包含了初中历史32个专题、127个考点的若干考题。

由程序+人工对数据进行拆分以及清洗，保证数据质量。剔除了含有图、表的题目，仅保留含有文字的题目。经处理标准化后的json格式题库见链接，共有1056个题目，包含选择题、填空题和综合题。

注意：本项目仅供开源社区学习、交流使用。题库中已注明题目来源，若用于商用，请自行与来源联系。

项目部署

环境配置

下载项目仓库。

git clone https://github.com/BestAnHongjun/InternLM-History

# 国内Gitee加速
# git clone https://gitee.com/an_hongjun/InternLM-History

进入项目目录。

cd InternLM-History

创建虚拟环境。

conda create -n history python=3.9

进入虚拟环境。

conda activate history

安装依赖项

默认cuda版本为11.7，若不是请修改torch版本使与cuda版本对应，否则影响flash-attention安装
默认从Gitee下载Flash-Attention，若要从github下载，请将setup.sh中对应地址改为https://github.com/Dao-AILab/flash-attention
本步骤受网速和机器性能影响，时间可能在半小时以上

./setup.sh

启动项目

python app.py

项目开发

数据集准备

数据来源于“2022年中考历史真题分类-寒假刷题练.docx”，包含了初中历史32个专题、127个考点的若干考题。

数据预处理

在项目根目录下，执行如下脚本，对文档中的题目进行初步拆分和清洗。

python scripts/0.preprocess_2022_junior_middle_classification_all.py

预处理得到的数据见2022_junior_middle_classification_all.json。

数据清洗

本步骤由人工进行，将含有图、表的题目剔除，以及拆分不正确的题目剔除。保证数据质量。

清洗得到的数据见2022_junior_middle_classification_washed.json。

数据标准化

对题目数据的格式进行标准化，并使用json格式存储。将所有题目分为三种类型：选择题、填空题、综合题。

其中，选择题的格式如下：

{
    "analysis":"根据所学可知，出土文物是当时真实开情况的遗存，是第一手资料，史料价值最高，D项正确；ABC三项，均是第二手资料，有参考价值，排除。故选D项。",
    "ans":3,
    "choices":[
        "当地传说",
        "地区风俗",
        "经典文献",
        "出土文物"
    ],
    "content":"下列材料都涉及了河姆渡居民生活的历史，其中史料价值最高的是",
    "origin":"2022年江苏连云港",
    "subject_id":1,
    "tid":5,
    "topic_id":2,
    "type":0
}

其中，tid为全局题号，type为题目类型（0为选择题），subject_id为该题目所属专题的编号，topic_id为改题目所属考点的编号，origin为题目来源，content为题干，choices列表为四个选项，ans为正确答案的索引，analysis为题目解析。

填空题和综合题的格式如下：

{
    "analysis":"【详解】根据所学知识可知，唐太宗在位时，玄奘到天竺取经，在那里，他勤奋学习，成为了著名的佛学大师。后回到长安，口述成书《大唐西域记》；明成祖在位时，为了加强同海外各国的联系，派郑和率领船队出使西洋，增进了**与亚非国家和地区的友好往来。",
    "ans":"玄奘；郑和",
    "content":"唐朝高僧（ ）（人物）西行前往天竺取经，历经磨难到达天竺，后回到长安，口述成书《大唐西域记》；明成祖派（ ）（人物）率领船队出使西洋，增进了**与亚非国家和地区的友好往来。##n##",
    "origin":"2022年陕西",
    "subject_id":6,
    "tid":235,
    "topic_id":35,
    "type":1
}

其中，tid为全局题号，type为题目类型（1为填空题，2为综合题），subject_id为该题目所属专题的编号，topic_id为改题目所属考点的编号，origin为题目来源，content为题干，ans为正确答案，analysis为题目解析。

最终的题目标准存储格式为：

{
    "subjects": [...]    // 32个专题的名称
    "topics": [...]      // 127个考点的名称
    "test":[             // 题目列表，用上述格式存储
        ...
    ]
}

使用如下脚本进行题目标准化：

python scripts/1.standardize_2022_junior_middle_classification_all.py

标准化后的数据见2022_junior_middle_classification_std.json。

转换为LLM训练数据集

运行如下脚本，转换为json格式的LLM训练数据集。

python scripts/2.convert_to_2022_junior_middle_history_dataset.py

转换好的数据集见2022_junior_middle_history.json。

同时，按照7：3的比例将数据集切分为训练集和测试集。

python scripts/3.split_dataset.py

训练集见2022_junior_middle_history_train.json，测试集见2022_junior_middle_history_test.json。

微调模型

下载模型

python scripts/4.download_internlm_chat_7b.py

微调模型

xtuner train internlm_chat_7b_qlora_history_e3.py --deepspeed deepspeed_zero2

模型转换

mkdir work_dirs/hf_internlm_chat_7b_history
export MKL_SERVICE_FORCE_INTEL=1

xtuner convert pth_to_hf ./internlm_chat_7b_qlora_history_e3.py ./work_dirs/internlm_chat_7b_qlora_history_e3/epoch_3.pth ./work_dirs/hf_internlm_chat_7b_history

将Adapter合并到LLM

mkdir -p model/internlm-chat-7b-history
xtuner convert merge ./model/internlm-chat-7b ./work_dirs/hf_internlm_chat_7b_history ./model/internlm-chat-7b-history --max-shard-size 2GB

测试模型

xtuner chat model/internlm-chat-7b-history/ \
--prompt-template internlm_chat \
--system "你是中学历史学习助手，内在是InternLM-7B大模型。你的开发者是安泓郡。开发你的目的是为了提升中学生对历史学科的学习效果。你将对中学历史知识点做详细、耐心、充分的解答。"

模型量化

模型转换

lmdeploy convert internlm-chat-7b model/internlm-chat-7b-history/ --dst-path ./model/internlm-chat-7b-history-turbomind/

测试一波：

lmdeploy chat turbomind ./model/internlm-chat-7b-history-turbomind/ --meta_instruction "你是中学历史学习助手，内在是InternLM-7B大模型。你的开发者是安泓郡。开发你的 目的是为了提升中学生对历史学科的学习效果。你将对中学历史知识点做详细、耐心、充分的解答。"

标定minmax

# 计算 minmax
lmdeploy lite calibrate \
  --model  model/internlm-chat-7b-history/ \
  --calib_dataset "ptb" \
  --calib_samples 128 \
  --calib_seqlen 2048 \
  --work_dir ./model/internlm-chat-7b-history-quant

获取量化参数

lmdeploy lite auto_awq \
  --model  ./model/internlm-chat-7b/ \
  --w_bits 4 \
  --w_group_size 128 \
  --work_dir model/internlm-chat-7b-quant

转换为TurboMind格式

lmdeploy convert  internlm-chat-7b \
    ./model/internlm-chat-7b-history-quant \
    --model-format awq \
    --group-size 128 \
    --dst_path model/InternLM-History-Model-TurboMind-W4A16/internlm-chat-7b-history-turbomind-w4a16

bestanhongjun / internlm-history Goto Github PK

internlm-history's Introduction

基于InternLM大模型的中学历史学习助手

书生·浦语大模型实战营·大作业

简介

数据来源

项目部署

项目开发

数据预处理

数据清洗

数据标准化

转换为LLM训练数据集

下载模型

微调模型

模型转换

将Adapter合并到LLM

测试模型

模型转换

标定minmax

获取量化参数

转换为TurboMind格式

internlm-history's People

Contributors

Stargazers

Watchers

Forkers

Recommend Projects

Recommend Topics

Recommend Org