2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

诗语灵伴——基于PaddleNLP构建的古诗对话数字人

发布日期:2024-09-25 21:02:46 浏览次数: 2930
作者:飞桨PaddlePaddle

微信搜一搜,关注“飞桨PaddlePaddle”


项目介绍


诗语灵伴是使用GPT-sovits语音克隆PaddleNLP大模型套件技术、Live2D数字人技术,具有深厚中华诗词文化底蕴,可交互式读诗的数字人。
本项目主要使用PaddleNLP大模型套件微调古诗生成大模型。如果仅局限于大模型的对话,我感觉并不能很好体现出古诗的灵韵,所以本项目最后将大模型部署成了具象化的应用——数字人。


最终,我致力于打造一个能够与用户深入进行诗词交流的数字人,让传统诗词文化在现代科技的加持下迸发出新的活力。
技术流程
项目流程图 
根据上图,我们可以了解项目可以分为四个步骤:


1.数据处理:处理数据集,将其转换为符合要求的数据集格式。


2.微调模型:对基座模型进行Lora微调,得到微调后的模型。


3.推理:最后通过动态图对验证集推理查看结果,


4.部署:进行部署。


PaddleNLP支持的模型列表
技术要点


环境准备

PaddleNLP大模型套件是一个基于飞桨深度学习框架开发的自然语言处理(NLP)工具集。它提供了丰富的预训练模型和高级API,支持开发者构建各种自然语言处理应用。
Bash%cd ~!unzip PaddleNLP-develop.zip!pip install ./PaddleNLP-develop# !git clone https://github.com/PaddlePaddle/PaddleNLP.git
%cd ~!unzip PaddleSlim-develop.zip!cd ~/PaddleSlim-develop/csrc && python ./setup_cuda.py install && cd ~/PaddleSlim-develop && pip install .# !git clone https://github.com/PaddlePaddle/PaddleSlim.git
Python# 安装ERNIE Bot和tiktoken!pip install erniebot tiktoken
数据集准备
Plain Text本次使用的数据集都放在work文件夹里了,work文件夹目录如下:Poem ----> 放置了训练集和验证集。Poem_soul_Data.json ----> 源未处理格式数据集。lora_argument.json ----> Lora微调配置文件。poem_soul.json ----> 符合格式要求的数据集。
在已有数据的情况下,我们只需要将数据集的格式转换为PaddleNLP要求的数据格式。


将下面的数据格式转换:
JSON{"conversation": [{"system": "你是一个专业的古诗歌专家,你知道很多古诗。用户报上关键词后,你可以把包含关键词的古诗告诉用户","input": "根据绿苔这个关键词写一首古诗","output": "生成的古诗为:\n崖悬百尺古,\n面削一屏开。\n晴日流丹草,\n春风长绿苔。"}]}
转换为下面这种数据格式:
JSON{"src": ["根据绿苔这个关键词写一首古诗"], "tgt": ["生成的古诗为:\n崖悬百尺古,\n面削一屏开。\n晴日流丹草,\n春风长绿苔。"],"context": {"system": "你是一个专业的古诗歌专家,你知道很多古诗。用户报上关键词后,你可以把包含关键词的古诗告诉用户"}}
字典中字段的解释:


这里官方要求的只有src、tgt,这里多了context是没有影响的。


src : str, List(str), 模型的输入指令(instruction)、提示(prompt),模型应该执行的任务。


tgt : str, List(str), 模型的输出。


源数据集我已经放在work文件夹里面,大家只需运行下面的这段代码即可将数据集转换为我们所需要的数据格式。


Python# 格式转换import jsonPoem_soul_Data = []with open('/home/aistudio/work/Poem_soul_Data.json', 'r') as f:data = json.load(f)
for data_item in data:src = []tgt = [] for j in data_item['conversation']:src.append(j['input'])tgt.append(j['output'])print(j['input'])print(j['output'])assert len(src) == len(tgt)Poem_soul_Data.append({'src':src, 'tgt':tgt, "context": {"system": f"{data_item['conversation'][0]['system']}"}})
with open('/home/aistudio/work/poem_soul.json', 'w', encoding='utf-8') as f:for item in Poem_soul_Data:json.dump(item, f, ensure_ascii=False)f.write('\n')
对转换好的数据分割和打乱,生成微调需要的train.json和dev.json文件。


train.json:用于Lora微调。


dev.json:用于后续动态图推理测试使用。


Python%cd ~
# 对古诗进行8:2数据划分import jsonimport randomimport os
# 定义文件路径file_path = 'work/Poem/'input_files = ['/home/aistudio/work/poem_soul.json']train_output_file = os.path.join(file_path,'train.json')dev_output_file = os.path.join(file_path,'dev.json')

directory = os.path.dirname(file_path)if not os.path.exists(directory):os.makedirs(directory)print(f'目录 {directory} 已创建')else:print(f'目录 {directory} 已存在')
train_data = []dev_data = []
for json_file in input_files:with open(json_file, 'r', encoding='utf-8') as f:lines = f.readlines()data = [json.loads(line) for line in lines]random.shuffle(data)split_index = int(0.8 * len(data))train_data += data[:split_index]dev_data += data[split_index:]
random.shuffle(train_data)random.shuffle(dev_data)

# 将数据保存到train.json和dev.jsonwith open(train_output_file, 'w', encoding='utf-8') as f:for item in train_data:f.write(json.dumps(item, ensure_ascii=False) + '\n')
with open(dev_output_file, 'w', encoding='utf-8') as f:for item in dev_data:f.write(json.dumps(item, ensure_ascii=False) + '\n')
print(f"训练数据保存在 {train_output_file}")print(f"测试数据保存在 {dev_output_file}")

微调

Lora配置文件准备:


Python#查看lora配置文件 记得修改配置文件中的"dataset_name_or_path"%cat ~/work/lora_argument.json
Bash# 修改配置文件中的"dataset_name_or_path",运行下述代码直接将其相应配置写入。%%writefile ~/work/lora_argument.json {"model_name_or_path": "THUDM/chatglm2-6b","dataset_name_or_path": "/home/aistudio/work/Poem","output_dir": "./checkpoints/lora_ckpts","per_device_train_batch_size": 4,"gradient_accumulation_steps": 4,"per_device_eval_batch_size": 8,"eval_accumulation_steps":16,"num_train_epochs": 3,"learning_rate": 3e-04,"warmup_steps": 30,"logging_steps": 1,"evaluation_strategy": "epoch","save_strategy": "epoch","src_length": 1024,"max_length": 2048,"fp16": true,"fp16_opt_level": "O2","do_train": true,"do_eval": true,"disable_tqdm": false,"load_best_model_at_end": true,"eval_with_do_generation": false,"metric_for_best_model": "accuracy","recompute": true,"save_total_limit": 1,"tensor_parallel_degree": 1,"pipeline_parallel_degree": 1,"lora": true,"zero_padding": false,"unified_checkpoint": true,"use_flash_attention": false}


开始微调:


Python%cd /home/aistudio/PaddleNLP-develop/llm!python run_finetune.py /home/aistudio/work/lora_argument.json
Lora合并:
一定要开V100的32G显存的环境,不然合并后的文件不完整但也不报错,看不出来,尝试了好多次才发现。
Python%cd ~/PaddleNLP-develop/llm/tools
!python merge_lora_params.py \--model_name_or_path THUDM/chatglm2-6b \--lora_path /home/aistudio/PaddleNLP-develop/llm/checkpoints/lora_ckpts \--output_path ~/data/checkpoints/chatglm2_lora_merge \--device "gpu" \--safe_serialization True
# 脚本参数介绍# lora_path: Lora参数和配置路径,对Lora参数进行初始化,默认为None。# model_name_or_path: 必须,主干模型参数路径,默认为None。# merge_model_path: 必须,合并参数后保存路径,默认为None。# device: 运行环境,默认为gpu。# safe_serialization: 是否保存为safetensor格式,默认为True。

推理

进行推理的时候会报错,可以使用PaddlePaddle-GPU的开发版本解决。


Python!pip uninstall paddlepaddle-gpu!python -m pip install paddlepaddle-gpu==0.0.0.post118 -f https://www.paddlepaddle.org.cn/whl/linux/gpu/develop.html
下面进行动态图推理。由于新版本官方架构进行了调整,文件之间各种库的衔接还有问题,可以把predict文件夹中的predictor.py文件复制到llm文件夹下解决。
Python# 动态图推理%cd ~/PaddleNLP-develop/llm
!cp /home/aistudio/PaddleNLP-develop/llm/predict/predictor.py /home/aistudio/PaddleNLP-develop/llm
!python predictor.py \--model_name_or_path THUDM/chatglm2-6b \ # 此处放置lora_argument.json配置文件中的model_name_or_path--lora_path /home/aistudio/PaddleNLP-develop/llm/checkpoints/lora_ckpts/checkpoint-11250 \--data_file /home/aistudio/work/Poem/dev.json \--dtype float16
Python# 静态图导出%cd ~/PaddleNLP-develop/llm!python export_model.py \--model_name_or_path THUDM/chatglm2-6b \--output_path /home/aistudio/data/static_inference_model_chatglm2 \--lora_path /home/aistudio/PaddleNLP-develop/llm/checkpoints/lora_ckpts/checkpoint-11250 \--dtype float16
Python# 静态图推理%cd ~/PaddleNLP-develop/llm
!python predictor.py \--model_name_or_path /home/aistudio/data/static_inference_model_chatglm2 \--data_file ~/work/Poem/dev.json \--dtype float16 \--mode static
动态图推理的运行结果示例。


Python[2024-08-06 12:56:51,087] [INFO] - Start predict[2024-08-06 12:56:51,087] [ WARNING] - The last conversation is not a single-round, chat-template will skip the conversation: ('生成的古诗为:\n星榆叶叶昼离披,\n云粉千重凝不飞。\n昆玉楼台珠树密,\n夜来谁向月中归。',)[2024-08-06 12:56:56,471] [INFO] - End predict***********Source**********[('根据楼台这个关键词写一首古诗', '生成的古诗为:\n星榆叶叶昼离披,\n云粉千重凝不飞。\n昆玉楼台珠树密,\n夜来谁向月中归。')]***********Target*********************Output**********生成的古诗为:寂寂随缘止,年年归去来。山阴湖上雪,疑是旧楼台。
[2024-08-06 12:46:38,954] [INFO] - Start predict[2024-08-06 12:46:38,954] [ WARNING] - The last conversation is not a single-round, chat-template will skip the conversation: ('生成的古诗为:\n只说梅花似雪飞,\n朱颜谁信暗香随。\n不须添上徐熙画,\n付与西湖别赋诗。',)[2024-08-06 12:46:45,444] [INFO] - End predict***********Source**********[('根据朱颜这个关键词写一首古诗', '生成的古诗为:\n只说梅花似雪飞,\n朱颜谁信暗香随。\n不须添上徐熙画,\n付与西湖别赋诗。')]***********Target**********
***********Output**********生成的古诗为:一枝半落半还开,病酒消愁只自杯。莫怪朱颜消得尽,暗香疏影两三栽。

数字人部署

本项目后端部分代码在项目的主目录中的hutao.zip中 。 
项目链接:


https://aistudio.baidu.com/projectdetail/8222052?contributionType=1&sUid=2945966&shared=1&ts=1724741568182


hutao.zip里面的目录及功能如下图,主要包括数字人、语音克隆、大语言模型等部分:
Game文件夹主要介绍了数字人运行的配资后文件等,game文件夹的用法可以详见下图,可以观看教程了解 game 代码使用方式。切记打开客户端前,后端服务要先开启。
客户端Ren'Py界面
可参考使用教程:https://www.bilibili.com/video/BV19y4y1e7UV/
llm.py代码:
Python#-*- coding:utf-8 -*-from paddlenlp.transformers import AutoModelForCausalLM, AutoTokenizer
class Hutaos(object):def __init__(self):# load modelself.model_path = r"/home/aistudio/PaddleNLP/llm/checkpoints/llama_lora_merge"# "/root/gushi2/merged"self.model = AutoModelForCausalLM.from_pretrained(self.model_path)self.tokenizer = AutoTokenizer.from_pretrained(self.model_path)def answer(self,questions):# query = input() #"根据明月这个关键词给我生成一个古诗"input_features = self.tokenizer("{}".format(questions), return_tensors="pd")outputs = self.model.generate(**input_features, max_length=128)response = tokenizer.batch_decode(outputs[0])return response
llms = Hutaos()def get_answer(question):answer = llms.answer(question)return answer
if __name__ == "__main__":print(get_answer("根据孤影这个关键字给我生成一首古诗"))
语音克隆:


大家可以使开源项目进行语音克隆api生成,非常方便。我这里采用的是vits-simple-api,该项目官方还提供整合包,管理语音克隆和调用极其方便,大家可以参考使用。


vits-simple-api项目链接:https://github.com/Artrajz/vits-simple-api
效果展示
效果图
 效果图gif
效果视频链接:


https://www.bilibili.com/video/BV1uS421w72U/?share_source=copy_web&vd_source=124e91ee22ef9d114174eb947ac6159b


总结

本项目的创意灵感根植于日常的点滴生活,并受到近年来AIGC技术飞速发展所带来的变革性影响的启迪。有人说人工智能会替代人类,但当我在武侠城看到两千年前的打铁花的重现,看到那令人震撼的马术表演,还有前段时间的AI复活亲人,旧照片的修复等等,令人激动又难以平复。用AIGC技术赋予传统文化新的活力,以一种新的方式让更多的青少年接受和享受传统文化的美,这正是我们前进的方向与目标。












































53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅