粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
1. 安装
在使用DSPy Visualizer之前，需要确保已经安装了langwatch 以及 dspy 的python包。
pip install dspy-ai==2.4.12pip install langwatch
2. 编写DSPy程序
本示例将编写简单的优化器使用示例，如图-1所示，DSPy的优化流程需要准备数据集、程序主体、优化器以及衡量指标，然后在固定数据集合衡量指标的情况下，调整程序主体和算法以达到优化的目的，具体步骤如下：
1）获取数据集，本示例中通过导入方式获取训练集和测试集。
import dspyfrom get_dataset import custom_trainset as train_setfrom get_dataset import custom_testset as test_set
from dspy.datasets.gsm8k import gsm8k_metricfrom dspy.teleprompt import BootstrapFewShot
# 定义并设置大模型model_name = 'llama3'lm = dspy.OllamaLocal(model=model_name)dspy.settings.configure(lm=lm)
class CoT(dspy.Module):def __init__(self):super().__init__()self.prog = dspy.ChainOfThought("question -> answer")def forward(self, question):return self.prog(question=question)cot = CoT()
config = dict(max_bootstrapped_demos=4, max_labeled_demos=4, max_rounds=2)# Optimize! Use the `gsm8k_metric` here. In general, the metric is going to tell the optimizer how well it's doing.teleprompter = BootstrapFewShot(metric=gsm8k_metric, **config)
import langwatchlangwatch.login()langwatch.dspy.init(experiment="test", optimizer=teleprompter)optimized_cot = teleprompter.compile(cot, trainset=train_set)
由于langwatch已经提供了可视化的在线服务，因此在线方式无需启动可视化程序，之间获取API-Key即可，如下步骤所示：
2）本地运行程序，根据提示输入API-Key，并在 dashboard查看结果。
如上界面展示的为训练两步得到的可视化数据，可以看出在第一步时优化器得到了3个demo，第二步时，优化器得到了4个demo。
也可以点击具体的 Predictors、Examples、LLM Calls（图中LLM Call无信息，因为使用了LLama3本地访问，如果是OpenAI接口则有数据显示）查看详细信息。
1）下载github langwatch 仓库并 复制 langwatch/.env.example 中的文件内容到 langwatch/.env
2）运行 docker compose up --build
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-09-18
2024-07-18
2024-07-02
2024-07-10
2024-07-09
2024-07-15
2024-07-10
2024-08-14
2024-07-14
2024-07-26
2024-11-20
2024-11-13
2024-10-31
2024-10-29
2024-10-16
2024-09-19
2024-08-28
2024-08-24
回到顶部