微调您的Embedding模型以最大限度地提高RAG管道中的相关性检索
微调嵌入前后的 NVIDIA SEC 10-K 文件分析
2023 年 9 月 13 日
让我们继续之前的文章,使用 GPT-4 训练数据微调 GPT-3.5 RAG 管道。这一次,让我们深入微调 RAG(检索增强生成)管道的另一端------嵌入模型。
通过微调我们的嵌入模型,我们增强了系统检索最相关文档的能力,确保我们的 RAG 管道发挥最佳性能。
text-embedding-ada-002
我们在 LlamaIndex 博客系列中的大多数 RAG 管道中一直使用 OpenAI 的嵌入模型。然而,OpenAI 不提供微调功能text-embedding-ada-002
,因此让我们在本文中探索微调开源嵌入模型。
BAAI/bge-small-en
目前HuggingFace 的 MTEB(大规模文本嵌入基准)排行榜上当前排名第一的嵌入模型是bge-large-en
;它是由北京人工智能研究院(BAAI)开发的。它是一个预训练的 Transformer 模型,可用于各种自然语言处理任务,例如文本分类、问答、文本生成等。该模型在海量文本和代码数据集上进行训练,并经过微调大规模文本嵌入基准(MTEB)。
在本文中,我们将使用 的bge-large-en
兄弟姐妹之一,bge-small-en
一个具有竞争性能的 384 维小型模型,非常适合在 Google Colab 中运行。
微调嵌入模型与微调 LLM
从上一篇关于微调的文章gpt-3.5-turbo
中,我们对 LLM 微调所涉及的步骤有了深入的了解。与LLM微调相比,微调的实施bge-small-en
有一些相似之处和不同之处。
相似点
- 两种类型的微调都遵循相同的方法,即生成用于训练和评估的数据集,微调模型,最后评估基本模型和微调模型之间的性能。
- 使用LLM自动生成训练和评估数据集。
不同点
- 数据集内容在LLM微调和Embedding模型微调之间有所不同。用于LLM微调的数据集包含LLM生成的问题。在微调过程中,包括问题、答案、系统prompt等在内的一系列数据将以JSON行(
jsonl
)文件的形式传递给要进行微调的模型。
不同的是,用于Embedding模型微调的数据集包含以下三组:
queries
:node_id
映射和LLM生成的问题的集合。corpus
:node_id
映射和相应节点中的文本的集合。relevant_docs
:查询的node_id
和语料库node_id
之间的交叉引用映射的集合。给定一个查询,它告诉Embedding模型要查找哪个文本节点/语料库。
- 由于我们使用开源Embedding模型
bge-small-en
,微调的前提就是要先把它下载到您的本地环境。以Google Colab为例,经过微调的模型将被下载到笔记本的根目录中。 - 评估方法在微调Embedding模型和微调LLM之间有所不同,我们可以使用Ragas框架来衡量精准度和答案相关性。然而,当使用Embedding模型微调时,我们无法测量答案的正确性,因为我们只能为我们的问题检索相关节点。相反,我们使用一个称为"命中率"的简单度量,这意味着对于每个
(query, relevant_doc)
对,我们用查询检索top-k文档,如果结果包含relevant_doc
,则它被认为是"命中"的。该指标可用于专有Embeddings,如OpenAI的Embedding模型和开源Embedding模型。对于开源Embedding模型,我们还可以使用来自sentence_transformers
的InformationRetrievalEvaluator
进行评估,因为它提供了一套更全面的指标。
微调Embedding模型似乎涉及到很多问题。幸运的是,LlamaIndex(我个人感觉LlamaIndex目前的发展可能会在RAG方面打败LangChain)在最近的0.8.21版本中引入以下关键类/函数,使得微调Embedding模型变得超级简单:
SentenceTransformersFinetuneEngine
generate_qa_embedding_pairs
EmbeddingQAFinetuneDataset
这些类和函数为我们抽象了底层的详细集成逻辑,使开发人员能够非常直观地调用它。
微调方法
为了可视化微调BAAI/big-small-en
所涉及的主要任务,让我们看看下图:
如图中的数值所示,主要任务包括:
- 通过调用
EmbeddingQAFinetuneDataset
函数generate_qa_embedding_pairs
,自动生成评估和训练数据集的数据。 - 通过传入基本模型和训练数据集来构造
SentenceTransformersFinetuneEngine
,然后调用其finetune
函数来训练基本模型。 - 创建经过微调的模型。
- 调用向量存储索引检索器检索相关节点并评估基本模型的命中率。
- 调用
InformationRetrievalEvaluator
来评估基本模型。 - 调用向量存储索引检索器检索相关节点并评估微调模型的命中率。
- 调用
InformationRetrievalEvaluator
来评估经过微调的模型。
基于LlamaIndex的微调Embeddings指南(文末有链接),我们将在我们的用例中微调bge-small-en
模型。
实现细节
Step 1: 生成数据集
让我们使用LLM来自动生成训练和评估的数据集。
- Load corpus
在我们的用例中NVIDIA的SEC 10-K文件(代码中和文末都有链接)是一个169页的PDF文档(你可以用你自己的中文PDF),所以我们需要在生成数据集时将文档分成两部分------一部分用于训练数据集,另一部分用于evalals数据集。
使用单独的数据集进行训练和评估被认为是一种很好的ML实践。可以调用load_corpus
函数来收集训练数据集(前90页)或eval数据集(其余页面)的节点。下面是load_corpus
的代码片段:
|------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
| !curl https://d18rn0p25nwr6d.cloudfront.net/CIK-0001045810/4e9abe7b-fdc7-4cd2-8487-dc3a99f30e98.pdf --output nvidia-sec-10k-2022.pdf def load_corpus(docs, for_training=False, verbose=False): parser = SimpleNodeParser.from_defaults() if for_training: nodes = parser.get_nodes_from_documents(docs[:90], show_progress=verbose) else: nodes = parser.get_nodes_from_documents(docs[91:], show_progress=verbose) if verbose: print(f'Parsed {len(nodes)} nodes') return nodes SEC_FILE = ['nvidia-sec-10k-2022.pdf'] print(f"Loading files {SEC_FILE}") reader = SimpleDirectoryReader(input_files=SEC_FILE) docs = reader.load_data() print(f'Loaded {len(docs)} docs') train_nodes = load_corpus(docs, for_training=True, verbose=True) val_nodes = load_corpus(docs, for_training=False, verbose=True)
|
请记住,在LlamaIndex中,节点和页面并不完全匹配。对于一个169页的文档,结果显示它为训练数据集解析了97个节点,为evals数据集解析了91个节点。这两个数据集的节点数量足够接近。让我们继续。
- 生成合成查询和数据集
现在,让我们生成训练和评估的数据集。请注意,我们这里没有传递LLM (gpt-3.5-turbo-0613
),只有OpenAI API密钥。这是因为LlamaIndex的默认LLM是gpt-3.5-turbo-0613
;如果没有定义LLM,只要提供OpenAI API密钥,则默认为它。
generate_qa_embedding_pairs
是一个生成数据集的方便函数。基于上面load_corpus
函数返回的节点,它为每个节点生成问题(默认为每个节点两个问题,可以自定义),然后用所有三组数据构建数据集:queries
,corpus
和relevant_docs
(queries
与corpus
之间的映射对应的node_id
)。
|---------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
| from llama_index.finetuning import ( generate_qa_embedding_pairs, EmbeddingQAFinetuneDataset, ) from llama_index.llms import OpenAI os.environ["OPENAI_API_KEY"] = "sk-############" openai.api_key = os.environ["OPENAI_API_KEY"] train_dataset = generate_qa_embedding_pairs(train_nodes) val_dataset = generate_qa_embedding_pairs(val_nodes) train_dataset.save_json("train_dataset.json") val_dataset.save_json("val_dataset.json") train_dataset = EmbeddingQAFinetuneDataset.from_json("train_dataset.json") val_dataset = EmbeddingQAFinetuneDataset.from_json("val_dataset.json")
|
下面是样本训练数据集的样子。注意queries
和corpus
在截图中是折叠的,因为每个都有超过100个数据对:
Step 2: 微调Embedding模型
SentenceTransformersFinetuneEngine
就是为这个任务设计的。在底层,它执行多个子任务:
- 通过构建
SentenceTransformer
加载预训练模型,传入BAAI/big-small-en
模型id。 - 定义数据加载器。它加载我们的训练数据集,将其解析为
查询
,语料库
和relevant_docs
。然后循环查询,将relevant_docs
中的node_id
与corpus
中的文本节点进行映射,构造InputExample
,其列表依次传递到创建DataLoader
中. - 定义loss(损失函数)。它使用
sentence_transformers
multiplenegativerankingloss
来训练检索设置的Embeddings。 - 定义评估器。它设置了一个带有eval数据集的评估器来监控Embedding模型在训练期间的表现。
- 运行训练。它插入上面定义的数据加载器、损失函数和评估器来运行训练。
LlamaIndex将微调Embedding模型的所有详细子任务封装在一个SentenceTransformersFinetuneEngine
中,我们所需要做的就是调用它的finetune
函数。下面,您可以看到展示LlamaIndex的代码片段:
|------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12
| from llama_index.finetuning import SentenceTransformersFinetuneEngine finetune_engine = SentenceTransformersFinetuneEngine( train_dataset, model_id="BAAI/bge-small-en", model_output_path="test_model", val_dataset=val_dataset, ) finetune_engine.finetune() embed_model = finetune_engine.get_finetuned_model()
|
Step 3: 评估微调后的模型
如上所述,我们使用两种不同的评估方法:
-
命中率:对每个
query
/relevant_doc
对进行简单的top-k检索。如果搜索结果包含relevant_doc
,那么它就是一个"命中"。这可以用于专有的Embeddings,例如OpenAI的Embedding模型和开源Embedding模型。请参阅下面代码片段中的evaluate
函数。 -
InformationRetrievalEvaluator
:一个更全面的用于评估开源Embeddings的度量套件。请参阅下面代码片段中的evaluate_st
函数。
|------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
| from llama_index.embeddings import OpenAIEmbedding from llama_index import ServiceContext, VectorStoreIndex from llama_index.schema import TextNode from tqdm.notebook import tqdm import pandas as pd # function for hit rate evals def evaluate( dataset, embed_model, top_k=5, verbose=False, ): corpus = dataset.corpus queries = dataset.queries relevant_docs = dataset.relevant_docs service_context = ServiceContext.from_defaults(embed_model=embed_model) nodes = [TextNode(id_=id_, text=text) for id_, text in corpus.items()] index = VectorStoreIndex(nodes, service_context=service_context, show_progress=True) retriever = index.as_retriever(similarity_top_k=top_k) eval_results = [] for query_id, query in tqdm(queries.items()): retrieved_nodes = retriever.retrieve(query) retrieved_ids = [node.node.node_id for node in retrieved_nodes] expected_id = relevant_docs[query_id][0] is_hit = expected_id in retrieved_ids # assume 1 relevant doc eval_result = { "is_hit": is_hit, "retrieved": retrieved_ids, "expected": expected_id, "query": query_id, } eval_results.append(eval_result) return eval_results from sentence_transformers.evaluation import InformationRetrievalEvaluator from sentence_transformers import SentenceTransformer def evaluate_st( dataset, model_id, name, ): corpus = dataset.corpus queries = dataset.queries relevant_docs = dataset.relevant_docs evaluator = InformationRetrievalEvaluator(queries, corpus, relevant_docs, name=name) model = SentenceTransformer(model_id) return evaluator(model, output_path="results/")
|
- 评测OpenAI
现在,让我们评估一下OpenAI的Embedding模型text-embedding-ada-002
。代码如下:
|---------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6
| ada = OpenAIEmbedding() ada_val_results = evaluate(val_dataset, ada) df_ada = pd.DataFrame(ada_val_results) hit_rate_ada = df_ada['is_hit'].mean()
|
结果:
- 评测
BAAI/bge-small-en
|-------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8
| bge = "local:BAAI/bge-small-en" bge_val_results = evaluate(val_dataset, bge) df_bge = pd.DataFrame(bge_val_results) hit_rate_bge = df_bge['is_hit'].mean() evaluate_st(val_dataset, "BAAI/bge-small-en", name='bge')
|
结果:
- 评估微调后的model
|-------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 1 2 3 4 5 6 7 8
| finetuned = "local:test_model" val_results_finetuned = evaluate(val_dataset, finetuned) df_finetuned = pd.DataFrame(val_results_finetuned) hit_rate_finetuned = df_finetuned['is_hit'].mean() evaluate_st(val_dataset, "test_model", name='finetuned')
|
查看结果:
- Summary of results
把评测结果放在一起,让我们仔细看看。
命中率:我们的微调模型比其基本模型bge-small-en
的性能提高了1.29%。与OpenAI的Embedding模型相比,我们的微调模型的性能仅低了4.85%。
InformationRetrievalEvaluator
结果:经过微调的模型比其基本模型的性能提高了5.81%。与基本模型相比,微调模型对这30多个指标列中的每一个都有更好的数字。
总结
在本文中,我们探讨了微调RAG管道的Embedding模型所涉及的步骤。我们使用开源的sentence_transformers
模型BAAI/big-small-en
作为我们的基本Embedding模型,介绍了如何生成用于训练和评估的数据集,如何对其进行微调,以及如何评估基本模型和微调模型之间的性能差异。
评估结果表明,微调Embedding模型的性能比基本模型提高了1-6%,与OpenAI的Embedding模型相比,微调模型的性能损失仅为4.85%。这种性能提升可能因数据集的质量和数量而异。
我们还简要探讨了LlamaIndex的最新版本,该版本对任何Embedding模型的线性适配器进行了微调,从而提高了性能并避免了在RAG管道中重新嵌入文档。
引用
- LlamaIndex的Finetune Embeddings指南:Finetune Embeddings - LlamaIndex 🦙 0.9.26
- NVIDIA的SEC10-K文件的PDF:https://d18rn0p25nwr6d.cloudfront.net/CIK-0001045810/4e9abe7b-fdc7-4cd2-8487-dc3a99f30e98.pdf