File size: 33,018 Bytes
e92022a |
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 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 |
'''AntGLM Chat-model data format.
格式化 AntGLM 以及各种开源模型的符号系统:
- 确定 Chat 模型依赖的文件数据结构协议
- 确定单轮/多轮的统一结构
- 确定 Chat 符号系统的协议, 包括角色定义、分隔符等
- 方便做开源模型依赖的 prompt 转换
- 支持工具、代码、推理等支持
参考 FastChat Conversation 对象的设计思路.
Reference: https://github.com/lm-sys/FastChat/blob/main/fastchat/conversation.py
'''
import copy
import dataclasses
import logging
import re
import uuid
from copy import deepcopy
from enum import IntEnum, auto
from typing import Dict, List, Optional, Tuple
logger = logging.getLogger(__name__)
class PromptStyle(IntEnum):
'''Prompt styles.'''
# 原始 antglm format 格式, 单轮指令没有结构, 多轮 `第1轮\n用户: xx\n机器人: xx\n`
ANTGLM_RAW = auto()
# Chat format 格式, 单轮多轮统一为 chat format 格式
ANTGLM_CHAT = auto()
# 单轮指令没有结构, 只有多轮为 chat format 格式
ANTGLM_ONLY_MULTITURN_CHAT = auto()
# OpenAI ChatML 格式, 包括千问
CHATML = auto()
# LLAMA2 格式
LLAMA2 = auto()
# ChatGLM 1/2 格式
CHATGLM = auto()
# ChatGLM3 格式
CHATGLM3 = auto()
# 百川格式
BAICHUAN2 = auto()
@dataclasses.dataclass
class Chat:
'''Chat 数据符号结构, 格式化 AntGLM 以及各种开源模型的符号系统.
Examples:
```python
>>> from antllm.data.chat_format import Chat
>>> ### 从 json 数据结构创建 chat 对象, 并且 format 结构使用 AntGLM 原始结构
>>> input_json = {
... "messages": [
... {"role": "HUMAN", "content": "讲一个笑话"},
... {"role": "ASSISTANT", "content": "为什么猪不能上网?因为它们会被网上的“猪”骗!哈哈哈!"},
... {"role": "HUMAN", "content": "不好笑,换个程序员的笑话"}
... ],
... }
>>> chat = Chat.from_json(input_json, name='antglm_raw')
>>> ### 根据 chat 对象创建大模型训练所需 pack 数据
>>> pack_data = chat.prompt_pack
>>> print(pack_data)
>>> ### 根据 chat 对象创建大模型训练所需 input, output 数据
>>> data = chat.prompt_inout
>>> print(data)
>>> ### 根据 chat 对象创建大模型预测用的 prompt
>>> prompt = chat.prompt_str
>>> print(prompt)
>>> ### 从大模型训练数据 {"input": "xx", "output": "xx"} 中创建 chat 对象
>>> data = {
... 'input': (
... '第1轮\n用户: 讲一个笑话\n机器人: 为什么猪不能上网?因为它们会被网上的“猪”骗!哈哈哈!\n'
... '第2轮\n用户: 不好笑,换个程序员的笑话\n机器人:'
... ),
... 'output': ''
... }
>>> chat = Chat.from_inout(data, name='antglm_raw')
>>> ### 从大模型 pack 训练数据创建 chat 对象列表
>>> pack_data = {
... 'inputs': ['第1轮\n用户: 讲一个笑话\n机器人:', '第2轮\n用户: 不好笑,换个程序员的笑话\n机器人:', '第1轮\n用户: 写首诗\n机器人:'],
... 'outputs': [
... '为什么猪不能上网?因为它们会被网上的“猪”骗!哈哈哈!\n',
... '为什么程序员总是喜欢使用黑色主题?因为他们喜欢“黑暗模式”(Dark Mode),这样他们就可以在晚上加班时更好地隐藏自己的错误!',
... '']
... }
>>> chats = Chat.from_pack(pack_data, name='antglm_raw')
>>> assert len(chats) == 2
>>> print(chats[0])
>>> print(chats[1])
>>> ### 显示总交互轮数 (以用户输出多少次为轮数个数)
>>> print(chat.turns_num)
>>> ### 根据 chat 对象创建 json 格式化输出
>>> data_json = chat.to_json()
>>> print(data_json)
>>> ### 增加轮次信息
>>> content = (
... '为什么程序员总是喜欢使用黑色主题?'
... '因为他们喜欢“黑暗模式”(Dark Mode),这样他们就可以在晚上加班时更好地隐藏自己的错误!'
... )
>>> chat.append_message(chat.role_assistant, content)
>>> ### 将 chat 对象转成 OpenAI ChatCompletion 接口的入参
>>> openai_messages = chat.to_openai_api_messages()
>>> print(openai_messages)
>>> ### 复制一个 chat 对象
>>> chat_new = chat.copy()
```
'''
# 数据结构名称
id: str = None
# format 支持: antglm_raw, antglm_chat, chatglm1, chatglm2, llama2, qwen, baichuan2
name: Optional[str] = None
# Prompt 风格
prompt_style: Optional[PromptStyle] = None
# System Template 和 message
system_template: str = '<role>SYSTEM</role>{}'
system_message: str = ''
# 角色定义
role_human: str = 'HUMAN'
role_assistant: str = 'ASSISTANT'
role_observation: str = 'OBSERVATION'
role_template: str = '<role>{}</role>'
# 每轮符号定义
turn_start: str = ''
human_end: str = ''
assistant_start: str = ''
assistant_end: str = ''
assistant_end_ids: Optional[List[int]] = None
general_role_end: str = ''
# agent 符号定义
tool_template = '<tool>{}</tool>'
code_template = '<code>{}</code>'
arithemetic_templte = '<arithemetic>{}</arithemetic>'
image_template = '<image>{}</image>'
# All messages. Each item is (role, message).
messages: List[Tuple[str, str]] = ()
# messages 中用于 few-shot messages
offset: int = 0
# 其他 meta data
source: Optional[str] = None
lang: Optional[str] = None
topic: Optional[str] = None
# 原始 json 数据
origin_json: Optional[dict] = None
@property
def support_names(self) -> Dict[str, str]:
'''支持的数据对象名称.'''
return {
'antglm_raw': '原始 antglm format 格式, 单轮指令没有结构, 多轮 `第1轮\\n用户:xx\\n机器人xx\\n`',
'antglm_chat': 'Chat format 格式, 单轮多轮统一为 chat format 格式',
'chatglm1': 'chatglm1 format',
'chatglm2': 'chatglm2 format',
'llama2': 'llama2 format',
'qwen': '千问 format',
'baichuan2': '百川 2 format',
}
@classmethod
def from_json(
cls,
input: dict,
name: Optional[str] = None,
prompt_style: Optional[PromptStyle] = None,
):
'''从文件数据结构到数据对象的转换.
Params:
name: `Optional[str]`, 符号系统名称
- format 支持: antglm_raw, antglm_chat, chatglm1, chatglm2, llama2, qwen, baichuan2
- 如果指定了 format name, 使用该 name 符号系统, 否则使用 input 中 `name` 字段
prompt_style: `Optional[PromptStyle]`, 指定 prompt 风格, 默认使用和 name 一致的风格
input: `dict`, 文件中的 json dict 对象, 协议为:
- 既支持 `messages` 字段, 也支持 `turns` 字段
{
"id": "xxx",
"name": "antglm",
"source": "xxx",
"lang": "xx",
"topic": "xx",
"system_template": "",
"system_message": "xx",
"messages": [
{
"role": "HUMAN",
"content": "Hi"
},
{
"role": "ASSISTANT",
"content": "Hello"
},
{
"role": "OBSERVATION",
"content": "xxx"
},
{
"role": "ASSISTANT",
"content": "xxx"
}
],
"turns": [
{"HUMAN": "xxx", "OBSERVATION": "xx", "ASSISTANT": "xx"}
]
}
Returns:
`Chat` 对象
'''
_id = input.get('id')
if name:
_name = name
else:
_name = input.get('name')
source = input.get('source')
lang = input.get('lang')
topic = input.get('topic')
kwargs = {}
if 'system_template' in input:
kwargs['system_template'] = input['system_template']
if 'system_message' in input:
kwargs['system_message'] = input['system_message']
# 转换成 Chat 对象
chat = cls(
id=_id,
name=_name,
prompt_style=prompt_style,
source=source,
lang=lang,
topic=topic,
origin_json=deepcopy(input),
**kwargs,
)
if 'messages' in input:
for msg in input['messages']:
if msg['role'] == 'HUMAN':
role = chat.role_human
elif msg['role'] == 'OBSERVATION':
role = chat.role_observation
elif msg['role'] == 'ASSISTANT':
role = chat.role_assistant
else:
raise ValueError(f'不支持数据集中的 role: {msg["role"]}')
chat.append_message(role, msg['content'])
elif 'turns' in input:
for turn in input['turns']:
if 'HUMAN' in turn:
content = turn['HUMAN']
chat.append_message(chat.role_human, content)
if 'OBSERVATION' in turn:
content = turn['OBSERVATION']
chat.append_message(chat.role_observation, content)
if 'ASSISTANT' in turn:
content = turn['ASSISTANT']
chat.append_message(chat.role_assistant, content)
return chat
@classmethod
def from_pack(
cls,
packs: Dict[str, List[str]],
name: str,
prompt_style: Optional[PromptStyle] = None,
) -> list:
'''根据 pack 数据创建 Chat 对象.
Params:
packs: `dict`, pack 样本数据
{
'inputs': ['xx', 'xx'],
'outputs': ['xx', 'xx'],
}
name: `str`, 符号系统名称
prompt_style: `Optional[PromptStyle]`, 指定 prompt 风格, 默认使用和 name 一致的风格
'''
chat = cls(name=name, prompt_style=prompt_style)
packs = cls._format_packs(packs)
sys_pattern = re.compile(chat.system_template.format(r'(.*?)'), re.DOTALL)
turn_pattern = re.compile(chat.turn_start.format(r'(\d+)'), re.DOTALL)
human_pattern = re.compile(chat.role_template.format(chat.role_human).strip(), re.DOTALL)
observe_pattern = re.compile(chat.role_template.format(chat.role_observation).strip(), re.DOTALL)
assistant_pattern = re.compile(chat.role_template.format(chat.role_assistant).strip(), re.DOTALL)
chats = []
for input, output in zip(packs['input'], packs['output']):
# system message
sys_match = sys_pattern.search(input)
if sys_match and sys_match.group(0):
# system 指令只在首轮, 新增 chat 对象
if len(chat.messages) > 0:
chats.append(chat)
chat = cls(name=name, prompt_style=prompt_style)
input = input[sys_match.end() :]
chat.system_message = sys_match.group(1)
# turn start
turn_match = turn_pattern.search(input)
if turn_match and turn_match.group(0):
# 当出现下一个轮次开始信息, 新增 chat 对象
if name in ['antglm', 'antglm_raw', 'chatglm2']:
round_start = 1
else:
round_start = 0
if all(
[
len(turn_match.groups()) > 0,
int(turn_match.group(1)) == round_start,
len(chat.messages) > 0,
]
):
chats.append(chat)
chat = cls(name=name, prompt_style=prompt_style)
input = input[turn_match.end() :]
human_iter = human_pattern.finditer(input)
observe_iter = observe_pattern.finditer(input)
assistant_iter = assistant_pattern.finditer(input)
human_match = next(human_iter, None)
observe_match = next(observe_iter, None)
assistant_match = next(assistant_iter, None)
if not human_match and not observe_match:
# 无 role format
chat.append_message(chat.role_human, input)
while human_match or observe_match:
next_human_match = next(human_iter, None)
next_observe_match = next(observe_iter, None)
input = cls._append_human_observation(
chat,
input,
human_match=human_match,
next_human_match=next_human_match,
observe_match=observe_match,
next_observe_match=next_observe_match,
assistant_match=assistant_match,
)
human_match = next_human_match
observe_match = next_observe_match
next_human_match = next(human_iter, None)
next_observe_match = next(observe_iter, None)
if output:
chat.append_message(chat.role_assistant, output)
if chat.messages:
chats.append(chat)
return chats
@classmethod
def _append_human_observation(
cls,
chat,
input: str,
human_match: Optional[re.Match] = None,
next_human_match: Optional[re.Match] = None,
observe_match: Optional[re.Match] = None,
next_observe_match: Optional[re.Match] = None,
assistant_match: Optional[re.Match] = None,
) -> str:
'''给 chat 对象增加 human/observation message.'''
if observe_match:
# observation 在 human 之后
if observe_match.span()[0] > observe_match.span()[0]:
human_str = input[observe_match.span()[1] : observe_match.span()[0]]
observe_str = input[observe_match.span()[1] : assistant_match.span()[0]]
chat.append_message(chat.role_human, human_str.strip())
input_end = observe_match.span()[1]
if observe_match.span()[0] < next_human_match.span()[0]:
chat.append_message(chat.role_observation, observe_str.strip())
input_end = assistant_match.span()[1]
else:
# observation 在 human 之前
human_str = input[observe_match.span()[1] : assistant_match.span()[0]]
observe_str = input[observe_match.span()[1] : observe_match.span()[0]]
chat.append_message(chat.role_observation, observe_str.strip())
input_end = observe_match.span()[1]
if observe_match.span()[0] < next_observe_match.span()[0]:
chat.append_message(chat.role_human, human_str.strip())
input_end = assistant_match.span()[1]
else:
if assistant_match:
human_str = input[human_match.span()[1] : assistant_match.span()[0]]
input_end = assistant_match.span()[1]
else:
human_str = input[human_match.span()[1] :]
input_end = len(input)
chat.append_message(chat.role_human, human_str.strip())
return input[input_end:]
@classmethod
def from_inout(
cls,
sample: Dict[str, str],
name: str,
prompt_style: Optional[PromptStyle] = None,
):
'''根据单样本创建一个 Chat 对象.
Params:
sample: `Dict[str, str]`, input/output 数据样本
{
"input": "xxx",
"output": "xxx",
}
name: `str`, 符号系统名称
prompt_style: `Optional[PromptStyle]`, 指定 prompt 风格, 默认使用和 name 一致的风格
'''
chat = cls(name=name, prompt_style=prompt_style)
input = sample['input']
output = sample['output']
sys_pattern = re.compile(chat.system_template.format(r'(.*?)'), re.DOTALL)
turn_pattern = re.compile(chat.turn_start.format(r'(\d+)'), re.DOTALL)
human_pattern = re.compile(chat.role_template.format(chat.role_human).strip(), re.DOTALL)
observe_pattern = re.compile(chat.role_template.format(chat.role_observation).strip(), re.DOTALL)
assistant_pattern = re.compile(chat.role_template.format(chat.role_assistant).strip(), re.DOTALL)
# 去除轮次信息
input = turn_pattern.sub('', input)
# system message search
sys_match = sys_pattern.search(input)
if sys_match and sys_match.group(0):
input = input[sys_match.end() :]
chat.system_message = sys_match.group(1)
human_iter = human_pattern.finditer(input)
observe_iter = observe_pattern.finditer(input)
assistant_iter = assistant_pattern.finditer(input)
human_match = next(human_iter, None)
observe_match = next(observe_iter, None)
assistant_match = next(assistant_iter, None)
next_human_match = next(human_iter, None)
next_observe_match = next(observe_iter, None)
while any(
[
human_match,
observe_match,
assistant_match,
]
):
# human/observation 先后顺序可能不一样, 并且有可能有多个
# 判断 assitant 之前是否还有 human/observation
while any(
[
human_match and human_match.span()[0] < assistant_match.span()[0],
observe_match and observe_match.span()[0] < assistant_match.span()[0],
next_human_match and next_human_match.span()[0] < assistant_match.span()[0],
next_observe_match and next_observe_match.span()[0] < assistant_match.span()[0],
]
):
if not input:
break
cls._append_human_observation(
chat,
input,
human_match=human_match,
next_human_match=next_human_match,
observe_match=observe_match,
next_observe_match=next_observe_match,
assistant_match=assistant_match,
)
human_match = next_human_match
observe_match = next_observe_match
next_human_match = next(human_iter, None)
next_observe_match = next(observe_iter, None)
# assistant message
if assistant_match and assistant_match.span():
if observe_match:
if observe_match.span() and observe_match.span()[0] < human_match.span()[0]:
assistant_str = input[assistant_match.span()[1] : observe_match.span()[0]]
elif human_match:
if human_match.span():
assistant_str = input[assistant_match.span()[1] : human_match.span()[0]]
else:
assistant_str = input[assistant_match.span()[1] :]
if assistant_str:
chat.append_message(chat.role_assistant, assistant_str)
assistant_match = next(assistant_iter, None)
if output:
chat.append_message(chat.role_assistant, output)
return chat
def __hash__(self):
'''数据对象的 hash 函数.'''
return hash(self.id)
def __post_init__(self):
'''对象初始化后的处理, 处理包括:
- 根据数据对象名称, 支持转成其他开源数据对象的基本信息
'''
self.id = str(uuid.uuid4())
if not self.messages:
self.messages = []
if not self.name and not self.prompt_style:
logger.error('构造 Chat 对象至少包含以下一个入参: `name/prompt_style`.\n\n' '`name` 支持以下 format 名称:')
logger.error('\n'.join([f'{k}: {v}' for k, v in self.support_names.items()]))
logger.error('\n`prompt_style` 参考 antllm.data.chat_format.PromptStyle')
raise ValueError
if self.name == 'antglm':
# 默认 antglm 使用原始 antglm_raw - 第1轮\n用户: xx\n机器人: xx\n
self.name = 'antglm_raw'
if not self.name and self.prompt_style == PromptStyle.ANTGLM_CHAT:
logger.info(
'Chat 对象入参没有 `name`, 默认使用 `ANTGLM_CHAT`, format:\n'
f'role_human: {self.role_human}\n'
f'role_assistant: {self.role_assistant}\n'
f'role_observation: {self.role_observation}\n'
f'role_template: {self.role_template}\n'
f'turn_start: {self.turn_start}\n'
f'human_end: {self.human_end}\n'
f'assistant_start: {self.assistant_start}\n'
f'assistant_end: {self.assistant_end}\n'
f'assistant_end_ids: {self.assistant_end_ids}\n'
f'general_role_end: {self.general_role_end}\n'
f'tool_template: {self.tool_template}\n'
f'code_template: {self.code_template}\n'
f'arithemetic_templte: {self.arithemetic_templte}\n'
f'image_template: {self.image_template}\n'
f'\n入参 `name` 支持: ``'
)
return
if self.name == 'antglm_raw' or self.prompt_style == PromptStyle.ANTGLM_RAW:
self.prompt_style = PromptStyle.ANTGLM_RAW
self.role_template = '{}'
self.role_human = '用户: '
self.role_assistant = '机器人: '
self.turn_start = '第{}轮\n'
self.general_role_end = '\n'
if self.name in ['chatglm1', 'chatglm2'] or self.prompt_style == PromptStyle.CHATGLM:
self.prompt_style = PromptStyle.CHATGLM
self.role_template = '{}'
self.role_human = '问:'
self.role_assistant = '答:'
self.turn_start = '[Round {}]\n'
if self.name == 'chatglm1':
self.general_role_end = '\n'
else:
self.general_role_end = '\n\n'
elif self.name == 'chatglm3' or self.prompt_style == PromptStyle.CHATGLM3:
self.prompt_style = PromptStyle.CHATGLM3
self.system_template = '<|system|>\n {}'
self.role_human = '<|user|>\n '
self.role_assistant = '<|assistant|>\n '
self.role_template = '{}'
elif self.name == 'llama2' or self.prompt_style == PromptStyle.LLAMA2:
self.prompt_style = PromptStyle.LLAMA2
self.role_template = '{}'
self.system_template = '[INST] <<SYS>>\n{}\n<</SYS>>\n\n'
self.role_human = '[INST] '
self.role_assistant = '[/INST] '
self.human_end = ' '
self.assistant_end = ' </s><s>'
elif self.name == 'qwen':
self.prompt_style = PromptStyle.CHATML
self.role_template = '{}'
self.system_template = '<|im_start|>system\n{}'
if not self.system_message:
self.system_message = 'You are a helpful assistant.'
self.role_human = '<|im_start|>user\n'
self.role_assistant = '<|im_start|>assistant\n'
self.general_role_end = '<|im_end|>\n'
elif self.name == 'baichuan':
self.prompt_style = PromptStyle.BAICHUAN2
self.role_template = '{}'
self.system_template = '{}'
self.role_human = '<token_id-195>'
self.role_assistant = '<token_id-196>'
if not self.system_template:
self.system_template = '{}'
def readable_messages(self) -> str:
'''将 messages 输出为人类可读的字符串, 方便分析数据.'''
pass
@property
def prompt_str(self) -> str:
'''将 Chat 对象转成 prompt str, 合并 human/assitant 输出为 format 字符串.'''
return f'{self.prompt_inout["input"]}{self.prompt_inout["output"]}'
@classmethod
def _format_packs(cls, packs: Dict[str, List[str]]) -> Dict[str, List[str]]:
'''格式化 pack 样本, 输出相同 pack inputs, outputs 个数.'''
_packs = copy.deepcopy(packs)
if len(_packs['input']) - 1 == len(_packs['output']):
_packs['output'].append('')
if len(_packs['input']) != len(_packs['output']):
print(packs)
raise ValueError(
'输入 input 和 output 数量不匹配, '
f'input num: {len(packs["input"])}, '
f'output num: {len(packs["output"])}'
)
return _packs
@property
def prompt_inout(self) -> Dict[str, str]:
'''将 Chat 对象转成 input prompt, output prompt 字符串.
Returns:
`Dict[str, str]`, 示例:
{
"input": "<role>SYSTEM</role>xxxx<role>HUMAN</role>你好<role>ASSISTANT</role>你好,有什么可以帮您?<role>ASSISTANT</role>", # noqa
"output": "你好,有什么可以帮您?"
}
'''
packs = self._format_packs(self.prompt_pack)
# 兼容逻辑
if self.prompt_style == PromptStyle.ANTGLM_RAW:
packs['input'] = [f'{item} ' for item in packs['input']]
prompt_input = ''.join([f'{x}{y}' for x, y in zip(packs['input'][:-1], packs['output'][:-1])])
prompt_input += packs['input'][-1]
prompt_output = packs['output'][-1]
# 兼容逻辑
if self.prompt_style == PromptStyle.ANTGLM_RAW:
prompt_input = prompt_input.strip()
return {
'input': prompt_input,
'output': prompt_output,
}
@property
def prompt_pack(self) -> Dict[str, List[str]]:
'''将数据对象转成 pack input prompt, output prompt 字符串列表.:
Returns:
`Dict[str, List[str]]`, 示例:
{
"input": [
"<role>SYSTEM</role>xxxx<role>HUMAN</role>你好<role>ASSISTANT</role>",
"<role>HUMAN</role>讲个笑话<role>ASSISTANT</role>",
"<role>OBSERVATION</role>{\"weather\": \"晴\"}<role>ASSISTANT</role>"
],
"output": [
"你好,有什么可以帮您?",
"笑话 1",
"今天天气 xxx"
]
}
'''
inputs = []
outputs = []
# 最开始 system 构造
system_prompt = ''
if self.system_message:
system_prompt = self.system_template.format(self.system_message)
if system_prompt:
ret = system_prompt + self.general_role_end
else:
ret = ''
# 有些 prompt style 单轮指令没有 format
if self.prompt_style in [
PromptStyle.ANTGLM_RAW,
PromptStyle.ANTGLM_ONLY_MULTITURN_CHAT,
]:
if len(self.messages) <= 2:
output = ''
for role, message in self.messages:
if role == self.role_assistant:
output = message
else:
input = ret + message
return {
'input': [input],
'output': [output],
}
# 多轮对话
if self.name in ['antglm_raw', 'chatglm2']:
round_start = 1
else:
round_start = 0
for i, (role, message) in enumerate(self.messages):
# 轮次信息
if self.name in ['antglm_raw', 'chatglm1', 'chatglm2']:
if i % 2 == 0:
ret += self.turn_start.format(i // 2 + round_start)
# 角色 + 内容
role_end = self.general_role_end
if role == self.role_assistant and self.assistant_end:
role_end = self.assistant_end
elif self.human_end:
role_end = self.human_end
ret += self.role_template.format(role) + message + role_end
if role == self.role_assistant:
# output 只保留实际 assistant 内容
if not message:
outputs.append('')
else:
outputs.append(message + role_end)
# input 需要连接 assistant role
inputs[-1] += ret[: -len(message + role_end)]
elif all(
[
role == self.role_observation,
len(self.messages) > 1,
self.messages[i - 1][0] != self.role_assistant,
]
):
# observation 之前不是 assistant, 需要将 observation 和上一个 input 连接一起
continue
else:
inputs.append(ret)
ret = ''
# 最后一轮不是机器人回复, 需要拼接机器人 role, 用于模型生成
if i == len(self.messages) - 1 and role != self.role_assistant:
inputs[-1] += self.role_template.format(self.role_assistant).strip()
# 兼容逻辑, 去除 inputs 最后空格符号
if self.prompt_style == PromptStyle.ANTGLM_RAW:
inputs = [item.strip() for item in inputs]
return {
'input': inputs,
'output': outputs,
}
@property
def turns_num(self) -> int:
'''和机器人的交互轮数, 以用户输出多少次为轮数个数.'''
return sum([1 if msg[0] == self.role_human else 0 for msg in self.messages])
def to_json(self) -> dict:
'''输出 chat json dict 格式, 包含不同角色和机器人交互的每轮信息.
Returns
`List[dict]`, {
"id": "xx",
"messages": [
{"role": "HUMAN", "content": "xxx"}
]
"turns": [
{"HUMAN": "xx", "OBSERVATION": "xx", "ASSISTANT": "xx"}
]
}
'''
turns = []
messages = []
turn = {}
for msg in self.messages:
if msg[0] == self.role_assistant:
messages.append({'role': 'ASSISTANT', 'content': msg[1]})
turn['ASSISTANT'] = msg[1]
turns.append(turn)
turn = {}
if msg[0] == self.role_human:
messages.append({'role': 'HUMAN', 'content': msg[1]})
turn['HUMAN'] = msg[1]
if msg[0] == self.role_observation:
messages.append({'role': 'OBSERVATION', 'content': msg[1]})
turn['OBSERVATION'] = msg[1]
if self.messages[-1][0] == self.role_human:
messages.append({'role': 'ASSISTANT', 'content': ''})
turn['ASSISTANT'] = ''
turns.append(turn)
result = self.origin_json or {}
result.update(
{
'id': self.id,
'name': self.name,
'source': self.source,
'lang': self.lang,
'topic': self.topic,
'system_template': self.system_template,
'system_message': self.system_message,
'turns': turns,
'messages': messages,
}
)
return result
def set_system_message(self, system_message: str):
'''Set the system message.'''
self.system_message = system_message
def append_message(self, role: str, message: str):
'''Append a new message.'''
if not message:
message = ''
self.messages.append([role, message])
def to_openai_api_messages(self) -> List[dict]:
'''Convert the conversation to OpenAI chat completion format.'''
ret = [{'role': 'system', 'content': self.system_message}]
for i, (_, msg) in enumerate(self.messages[self.offset :]):
if i % 2 == 0:
ret.append({'role': 'user', 'content': msg})
else:
if msg is not None:
ret.append({'role': 'assistant', 'content': msg})
return ret
def copy(self):
return copy.deepcopy(self)
|