LLM微调（四）| 微调Llama 2实现Text-to-SQL，并使用LlamaIndex在数据库上进行推理

Llama 2是开源LLM发展的一个巨大里程碑。最大模型及其经过微调的变体位居Hugging Face Open LLM排行榜（https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard）前列。多个基准测试表明，就性能而言，它正在接近GPT-3.5（在某些情况下甚至超过它）。所有这些都意味着，对于从RAG系统到Agent的复杂LLM应用程序，开源LLM是一种越来越可行和可靠的选择。

一、Llama-2–7B不擅长从文本到SQL

最小的Llama 2模型（7B参数）有一个缺点是它不太擅长生成SQL，因此它不适用于结构化分析示例。例如，我们尝试在给定以下提示模板的情况下提示Llama 2生成正确的SQL语句：

You are a powerful text-to-SQL model. Your job is to answer questions about a database. You are given a question and context regarding one or more tables. You must output the SQL query that answers the question.### Input:{input}### Context:{context}### Response:

在这里，我们使用sqlcreatecontext数据集（https://huggingface.co/datasets/b-mc2/sql-create-context）的一个示例来测试一下效果：

input: In 1981 which team picked overall 148?context: CREATE TABLE table_name_8 (team VARCHAR, year VARCHAR, overall_pick VARCHAR)

同时，这里是生成的输出与正确输出的对比：

Generated output: SELECT * FROM `table_name_8` WHERE '1980' = YEAR AND TEAM = "Boston Celtics" ORDER BY OVERALL_PICK DESC LIMIT 1;Correct output: SELECT team FROM table_name_8 WHERE year = 1981 AND overall_pick = "148"

这显然并不理想。与ChatGPT和GPT-4不同，原始的Llama 2不能生成期望的的格式和正确的SQL。

这正是微调的作用所在——如果有一个合适的文本到SQL数据的语料库，我们可以教Llama 2更好地从自然语言生成SQL输出。微调有不同的方法，可以更新模型的所有参数（比如：全量微调），也可以冻结大模型参数仅微调附加参数（比如：LoRA）。

二、微调Llama-2–7B，使其可以从文本生成SQL

接下来，我们将展示如何在文本到SQL数据集上微调Llama 2，然后使用LlamaIndex的功能对任何SQL数据库进行结构化分析。

准备工作：

微调数据集：来自Hugging Face的b-mc2/sql-create-context（https://huggingface.co/datasets/b-mc2/sql-create-context）

base模型：OpenLLaMa 的open_lama_7b_v2（https://github.com/openlm-research/open_llama）

步骤1：加载微调LLaMa的训练数据

PS：1）以下代码来自doppel-bot：https://github.com/modal-labs/doppel-bot；2）许多Python代码都包含在src目录中；3）需要设置一个Modal帐户，并生成token。

!pip install -r requirements.txt

首先，我们使用Modal加载b-mc2/sql-create-context数据集，并将其格式化为.jsonl文件。

modal run src.load_data_sql --data-dir "data_sql"

结果如下所示：

# Modal stubs allow our function to run remotely@stub.function(    retries=Retries(        max_retries=3,        initial_delay=5.0,        backoff_coefficient=2.0,    ),    timeout=60 * 60 * 2,    network_file_systems={VOL_MOUNT_PATH.as_posix(): output_vol},    cloud="gcp",)def load_data_sql(data_dir: str = "data_sql"):    from datasets import load_dataset    dataset = load_dataset("b-mc2/sql-create-context")    dataset_splits = {"train": dataset["train"]}    out_path = get_data_path(data_dir)    out_path.parent.mkdir(parents=True, exist_ok=True)    for key, ds in dataset_splits.items():        with open(out_path, "w") as f:            for item in ds:                newitem = {                    "input": item["question"],                    "context": item["context"],                    "output": item["answer"],                }                f.write(json.dumps(newitem) + "\n")

步骤2：运行微调脚本

在微调数据集微调llama2模型，代码如下：

modal run src.finetune_sql --data-dir "data_sql" --model-dir "model_sql"

微调脚本会执行以下步骤：

将数据集拆分为训练和验证拆分

train_val = data["train"].train_test_split(test_size=val_set_size, shuffle=True, seed=42)train_data = train_val["train"].shuffle().map(generate_and_tokenize_prompt)val_data = train_val["test"].shuffle().map(generate_and_tokenize_prompt)

将每个拆分为元组的格式（输入Prompt、标签）：输入query和上下文被格式化为输入Prompt，然后对输入Prompt和标签进行 tokenize，模型采用自回归的方法预测下一个token来进行训练。

def generate_and_tokenize_prompt(data_point):  full_prompt = generate_prompt_sql(      data_point["input"],      data_point["context"],      data_point["output"],  )  tokenized_full_prompt = tokenize(full_prompt)  if not train_on_inputs:      raise NotImplementedError("not implemented yet")  return tokenized_full_prompt

PS：输入Prompt与开始测试llama2的格式完全相同。

运行微调脚本时，模型将保存在model_dir指定的远程云目录中（如果未指定，则设置为默认值）。

步骤3：评估微调后模型

该模型已经进行了微调，可以从云端提供服务。下面我们使用b-mc2/sql-create-context中的示例数据进行一些基本评估，比较微调后模型与原始Llama 2模型的性能。

modal run src.eval_sql::main

结果表明，微调后的模型有了巨大的改进：

Input 1: {'input': 'Which region (year) has Abigail at number 7, Sophia at number 1 and Aaliyah at number 5?', 'context': 'CREATE TABLE table_name_12 (region__year_ VARCHAR, no_5 VARCHAR, no_7 VARCHAR, no_1 VARCHAR)', 'output': 'SELECT region__year_ FROM table_name_12 WHERE no_7 = "abigail" AND no_1 = "sophia" ANDno_5 = "aaliyah"'}Output 1 (finetuned model): SELECT region__year_ FROM table_name_12 WHERE no_7 = "abigail" AND no_1 = "aaliyah" AND no_5 = "sophia"Output 1 (base model): SELECT * FROM table_name_12 WHERE region__year = '2018' AND no_5 = 'Abigail' AND no_7 = 'Sophia' AND no_1 = 'Aaliyah';Input 2: {'input': 'Name the result/games for 54741', 'context': 'CREATE TABLE table_21436373_11 (result_games VARCHAR, attendance VARCHAR)', 'output': 'SELECT result_games FROM table_21436373_11 WHERE attendance = 54741'}Output 2 (finetuned model): SELECT result_games FROM table_21436373_11 WHERE attendance = "54741"Output 2 (base model): SELECT * FROM table_21436373_11 WHERE result_games = 'name' AND attendance > 0;

步骤4：将微调模型与LlamaIndex集成

我们现在可以在LlamaIndex中使用这个模型，在任何数据库上进行文本到SQL。

我们首先定义一个测试SQL数据库，然后可以使用该数据库来测试模型的推理能力。

我们创建了一个玩具city_stats表，其中包含城市名称、人口和国家信息，并用几个示例城市填充它。

db_file = "cities.db"engine = create_engine(f"sqlite:///{db_file}")metadata_obj = MetaData()# create city SQL tabletable_name = "city_stats"city_stats_table = Table(    table_name,    metadata_obj,    Column("city_name", String(16), primary_key=True),    Column("population", Integer),    Column("country", String(16), nullable=False),)metadata_obj.create_all(engine)

这存储在cities.db文件中。

然后，我们可以使用Modal将微调后的模型和该数据库文件加载到LlamaIndex中的NLSQLTableQueryEngine中——该查询引擎允许用户轻松地开始在给定的数据库上执行文本到SQL。

modal run src.inference_sql_llamaindex::main --query "Which city has the highest population?" --sqlite-file-path "nbs/cities.db" --model-dir "model_sql" --use-finetuned-model True

我们得到如下回复：

SQL Query: SELECT MAX(population) FROM city_stats WHERE country = "United States"Response: [(2679000,)]

三、结论

本文提供了一种非常高级的方法来开始微调生成SQL语句的Llama 2模型，并展示了如何使用LlamaIndex将其端到端插入到文本到SQL工作流中。

参考文献：

[1] https://blog.llamaindex.ai/easily-finetune-llama-2-for-your-text-to-sql-applications-ecd53640e10d

[2] https://github.com/run-llama/modal_finetune_sql

[3] https://github.com/run-llama/modal_finetune_sql/blob/main/tutorial.ipynb