Text2SQL_DB-GPT-HUB微调

DB-GPT-Hub 是一个利用 LLMs 实现 Text-to-SQL 解析的实验项目，主要包含数据集收集、数据预处理、模型选择与构建和微调权重等步骤，通过这一系列的处理可以在提高 Text-to-SQL 能力的同时降低模型训练成本，让更多的开发者参与到 Text-to-SQL 的准确度提升工作当中，最终实现基于数据库的自动问答能力，让用户可以通过自然语言描述完成复杂数据库的查询操作等工作。(非简单搬运，自己实际部署有坑，填坑ing,是DB-GPT的用户)
##Spider 数据集
本项目案例数据主要以 Spider 数据集为示例 ：
Spider: 一个跨域的复杂 text2sql 数据集，包含了 10,181 条自然语言问句、分布在200 个独立数据库中的 5,693 条 SQL，内容覆盖了 138 个不同的领域。（联系我，可以私发）。
其他数据集：
WikiSQL: 一个大型的语义解析数据集，由 80,654 个自然语句表述和 24,241 张表格的 sql 标注构成。WikiSQL 中每一个问句的查询范围仅限于同一张表，不包含排序、分组、子查询等复杂操作。
CHASE: 一个跨领域多轮交互 text2sql 中文数据集，包含 5459 个多轮问题组成的列表，一共 17,940 个 二元组，涉及 280 个不同领域的数据库。
BIRD-SQL：数据集是一个英文的大规模跨领域文本到 SQL 基准测试，特别关注大型数据库内容。该数据集包含 12,751 对文本到SQL数据对和 95 个数据库，总大小为 33.4GB，跨越 37 个职业领域。BIRD-SQL 数据集通过探索三个额外的挑战，即处理大规模和混乱的数据库值、外部知识推理和优化 SQL 执行效率，缩小了文本到 SQL 研究与实际应用之间的差距。
CoSQL: 一个用于构建跨域对话文本到 sql 系统的语料库。它是 Spider 和 SParC 任务的对话版本。CoSQL 由 30k+ 回合和 10k+ 带注释的 SQL 查询组成，这些查询来自 Wizard-of-Oz 的 3k 个对话集合，查询了跨越 138 个领域的 200 个复杂数据库。每个对话都模拟了一个真实的 DB 查询场景，其中一个工作人员作为用户探索数据库，一个 SQL 专家使用 SQL 检索答案，澄清模棱两可的问题，或者以其他方式通知。
按照 NSQL 的处理模板，对数据集做简单处理，共得到约 20w 条训练数据，链接详见附录 Healthy13/Text2SQL。

02基座模型
DB-GPT-HUB 目前已经支持的 base 模型有：

CodeLlama Baichuan2 LLaMa/LLaMa2 Falcon Qwen XVERSE ChatGLM2 internlm Falcon

模型可以基于 quantization_bit 为 4 的量化微调 (QLoRA) 所需的最低硬件资源,可以参考如下：
其中相关参数均设置为最小，batch_size 为 1 ，max_length 为 512。根据经验，如果计算资源足够，为了效果更好，建议相关长度值设置为 1024 或者 2048。

PART 3使用方法
01环境准备
下载项目，有镜像加速，任选其一就可。

git clone https://github.com/eosphoros-ai/DB-GPT-Hub.git
/ git clone https://gitclone.com/github.com/eosphoros-ai/DB-GPT-Hub.git
/ git clone https://hub.fgit.cf/eosphoros-ai/DB-GPT-Hub.git
/ git clone https://github.moeyy.xyz/https://github.com/eosphoros-ai/DB-GPT-Hub.git
/ git clone https://ghproxy.com/https://github.com/eosphoros-ai/DB-GPT-Hub.git

项目文件中，

cd DB-GPT-Hub

创建虚拟环境名为dbgpt_hub基于python=3.10,选择yes。

conda create -n dbgpt_hub python=3.10 

进去虚拟环境，

conda activate dbgpt_hub

其中可能会有IMPORTANT:You may need to close and restart your shell after running'conda init'.的错误。
附解决方法：source activate conda activate

安装依赖

pip install -r requirements.txt

其中安装torch最后killed，它说你的空闲内存不足以安装软件包，但有一种方法你仍然可以使用它。

pip install torch --no-cache-dir

02数据准备
DB-GPT-Hub使用的是信息匹配生成法进行数据准备，即结合表信息的 SQL + Repository 生成方式，这种方式结合了数据表信息，能够更好地理解数据表的结构和关系，适用于生成符合需求的 SQL 语句。从 spider数据集链接下载 spider 数据集，默认将数据下载解压后，放在目录 dbgpt_hub/data下面，即路径为 dbgpt_hub/data/spider。
数据预处理部分，只需运行如下脚本即可：sh dbgpt_hub/scripts/gen_train_eval_data.sh

#生成train数据 和dev(eval)数据,

sh dbgpt_hub/scripts/

在 dbgpt_hub/data/ 目录你会得到新生成的训练文件 example_text2sql_train.json 和测试文件 example_text2sql_dev.json ，数据量分别为 8659 和 1034 条。
生成的json中的数据形如：

{
        "db_id": "department_management",
        "instruction": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n\n",
        "input": "###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:",
        "output": "SELECT count(*) FROM head WHERE age  >  56",
        "history": []
    },

03模型微调
本项目微调不仅能支持 QLoRA 和 LoRA 法，还支持 deepseed。可以运行以下命令来微调模型，默认带着参数 --quantization_bit 为 QLoRA 的微调方式，如果想要转换为 lora的微调，只需在脚本中去掉 quantization_bit 参数即可。默认 QLoRA 微调，运行命令：

sh dbgpt_hub/scripts/train_sft.sh

微调后的模型权重会默认保存到 adapter 文件夹下面，即 dbgpt_hub/output/adapter 目录中。
如果使用多卡训练，想要用 deepseed，则将 train_sft.sh 中如下的默认的内容：

CUDA_VISIBLE_DEVICES=0 python dbgpt_hub/train/sft_train.py \
    --quantization_bit 4 \
    ...

更改为：

deepspeed --num_gpus 2  dbgpt_hub/train/sft_train.py \
    --deepspeed dbgpt_hub/configs/ds_config.json \
    --quantization_bit 4 \
    ...

其他省略 (…) 的部分均保持一致即可。如果想要更改默认的 deepseed 配置，进入 dbgpt_hub/configs 目录，在 ds_config.json 更改即可。

脚本中微调时不同模型对应的关键参数 lora_target 和 template.

train_sft.sh 中其他关键参数含义：

quantization_bit：是否量化，取值为[ 4 或者 8 ]。

model_name_or_path：LLM模型的路径。

dataset：取值为训练数据集的配置名字，对应在 dbgpt_hub/data/dataset_info.json 中外层 key 值，如 example_text2sql。

max_source_length：输入模型的文本长度，如果计算资源支持，可以尽能设大，如 1024 或者 2048。

max_target_length：输出模型的 sql 内容长度，设置为 512 一般足够。

output_dir ：SFT 微调时 Peft 模块输出的路径，默认设置在 dbgpt_hub/output/adapter/路径下 。

per_device_train_batch_size ：batch 的大小，如果计算资源支持，可以设置为更大，默认为 1 。

gradient_accumulation_steps ：梯度更新的累计 steps 值。

save_steps ：模型保存的 ckpt 的 steps 大小值，默认可以设置为 100。

num_train_epochs ：训练数据的 epoch 数。

04模型预测
项目目录下 ./dbgpt_hub/ 下的 output/pred/，此文件路径为关于模型预测结果默认输出的位置(如果没有则需要创建上)。
预测运行命令：

sh ./dbgpt_hub/scripts/predict_sft.sh

脚本中默认带着参数 --quantization_bit 为 QLoRA 的预测，去掉即为 LoRA 的预测方式。

其中参数 --predicted_out_filename 的值为模型预测的结果文件名，结果在dbgpt_hub/output/pred 目录下可以找到。

#05模型权重
可以从 Huggingface 查看我们之前8月份上传的对应的 Peft 模块的权重 ，huggingface 地址参见附录 。新的更好的在 spider 的评估集上执行准确率超越 GPT-4 的权重我们将尽快释放出。
如果你需要将训练的基础模型和微调的Peft模块的权重合并，导出一个完整的模型。则运行如下模型导出脚本：

sh ./dbgpt_hub/scripts/export_merge.sh

注意将脚本中的相关参数路径值替换为你项目所对应的路径。

#06模型评估

对于模型在数据集上的效果评估,默认为在 spider 数据集上。运行以下命令来：

python dbgpt_hub/eval/evaluation.py --plug_value --input  Your_model_pred_file

你可以在项目的 docs/eval_llm_result.md 找到我们最新的评估结果。

#附录

DB-GPT 框架: https://github.com/eosphoros-ai
Text2SQL 微调：https://github.com/eosphoros-ai/DB-GPT-Hub
Awesome-Text2SQL：https://github.com/eosphoros-ai/Awesome-Text2SQL

DB-GPT-WEB: https://github.com/eosphoros-ai/DB-GPT-Web

Huggingface ：https://huggingface.co/eosphoros

Healthy13/Text2SQL：https://huggingface.co/datasets/Healthy13/Text2SQL/tree/main