Spaces:
Runtime error
Runtime error
Commit
•
4dd1d1d
1
Parent(s):
1dee7f2
Update GPT-4_PDF_summary.py
Browse files- GPT-4_PDF_summary.py +23 -28
GPT-4_PDF_summary.py
CHANGED
@@ -1,9 +1,9 @@
|
|
1 |
#!/usr/bin/env python
|
2 |
# coding: utf-8
|
3 |
|
4 |
-
|
5 |
-
# In[ ]:
|
6 |
|
|
|
7 |
|
8 |
import os
|
9 |
from langchain.chains import RetrievalQA
|
@@ -28,7 +28,7 @@ pn.state.template.param.update(
|
|
28 |
)
|
29 |
|
30 |
|
31 |
-
#
|
32 |
|
33 |
|
34 |
file_input = pn.widgets.FileInput(width=300)
|
@@ -59,27 +59,30 @@ widgets = pn.Row(
|
|
59 |
)
|
60 |
|
61 |
|
62 |
-
|
|
|
|
|
63 |
|
64 |
|
65 |
def qa(file, query, chain_type, k):
|
66 |
-
# load document
|
67 |
loader = PyPDFLoader(file)
|
68 |
documents = loader.load()
|
69 |
-
# split the documents into chunks
|
70 |
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
|
71 |
texts = text_splitter.split_documents(documents)
|
72 |
-
# select which embeddings we want to use
|
73 |
embeddings = OpenAIEmbeddings()
|
74 |
-
# create the
|
75 |
db = Chroma.from_documents(texts, embeddings)
|
76 |
-
# expose this index in a retriever interface
|
77 |
retriever = db.as_retriever(
|
78 |
search_type="similarity", search_kwargs={"k": k})
|
79 |
-
# create a chain to answer questions
|
80 |
qa = RetrievalQA.from_chain_type(
|
81 |
llm=OpenAI(), chain_type=chain_type, retriever=retriever, return_source_documents=True)
|
82 |
result = qa({"query": query})
|
|
|
83 |
print(result['result'])
|
84 |
return result
|
85 |
|
@@ -87,13 +90,14 @@ def qa(file, query, chain_type, k):
|
|
87 |
# In[6]:
|
88 |
|
89 |
|
90 |
-
convos = [] # store all panel objects in a list
|
91 |
-
|
92 |
|
|
|
93 |
def qa_result(_):
|
|
|
94 |
os.environ["OPENAI_API_KEY"] = openaikey.value
|
95 |
|
96 |
-
# save pdf file to a temp file
|
97 |
if file_input.value is not None:
|
98 |
file_input.save("/.cache/temp.pdf")
|
99 |
|
@@ -121,32 +125,23 @@ def qa_result(_):
|
|
121 |
return pn.Column(*convos, margin=15, width=575, min_height=400)
|
122 |
|
123 |
|
124 |
-
# In[7]
|
125 |
-
|
126 |
-
|
127 |
qa_interactive = pn.panel(
|
128 |
pn.bind(qa_result, run_button),
|
129 |
loading_indicator=True,
|
130 |
)
|
131 |
|
132 |
|
133 |
-
# In[8]
|
134 |
-
|
135 |
-
|
136 |
output = pn.WidgetBox('*Output will show up here:*',
|
137 |
qa_interactive, width=630, scroll=True)
|
138 |
|
139 |
|
140 |
-
#
|
141 |
-
|
142 |
-
|
143 |
-
# layout
|
144 |
pn.Column(
|
145 |
-
pn.
|
146 |
-
|
147 |
-
|
148 |
-
1) Upload a PDF. 2) Enter OpenAI API key. This costs $. Set up billing at [OpenAI](https://platform.openai.com/account). 3) Type a question and click "Run".
|
149 |
-
|
150 |
"""),
|
151 |
pn.Row(file_input, openaikey),
|
152 |
output,
|
|
|
1 |
#!/usr/bin/env python
|
2 |
# coding: utf-8
|
3 |
|
4 |
+
#! pip install langchain openai chromadb tiktoken pypdf panel
|
|
|
5 |
|
6 |
+
# 注释1:首先,代码导入了所需的库和模块。这包括用于处理 PDF 文件、创建文本嵌入、搜索、问答等的模块。
|
7 |
|
8 |
import os
|
9 |
from langchain.chains import RetrievalQA
|
|
|
28 |
)
|
29 |
|
30 |
|
31 |
+
# 注释2:然后,代码设置了一些 Panel 库的参数和小部件,用于创建用户界面。这些小部件包括文件输入框、密码输入框、文本编辑器、按钮、滑块等。这些小部件被组织在一个列中,方便用户输入。
|
32 |
|
33 |
|
34 |
file_input = pn.widgets.FileInput(width=300)
|
|
|
59 |
)
|
60 |
|
61 |
|
62 |
+
#注释3:qa 函数定义了处理 PDF 文件、创建向量嵌入、执行搜索和返回答案的主要逻辑。它接受一个 PDF 文件、查询问题、搜索类型和返回的结果数量作为输入。
|
63 |
+
#然后,使用 OpenAI 的模型为每个文本块创建一个向量嵌入,这些嵌入被用来创建一个向量存储,用于后续的搜索。接着,使用这个向量存储创建一个检索器,然后使用这个检索器和 OpenAI 的模型创建一个问答链来回答问题。
|
64 |
+
#最后,函数打印出结果并返回。
|
65 |
|
66 |
|
67 |
def qa(file, query, chain_type, k):
|
68 |
+
# load document 加载PDF文件
|
69 |
loader = PyPDFLoader(file)
|
70 |
documents = loader.load()
|
71 |
+
# split the documents into chunks 将PDF文件分割成小块。
|
72 |
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
|
73 |
texts = text_splitter.split_documents(documents)
|
74 |
+
# select which embeddings we want to use 使用 OpenAI 的embeddings模型为每个文本块创建一个向量嵌入
|
75 |
embeddings = OpenAIEmbeddings()
|
76 |
+
# create the VectorStore to use as the index 这些嵌入被用来创建一个向量存储VectorStore,用于后续的搜索。
|
77 |
db = Chroma.from_documents(texts, embeddings)
|
78 |
+
# expose this index in a retriever interface 接着,使用这个向量存储创建一个检索器retriever
|
79 |
retriever = db.as_retriever(
|
80 |
search_type="similarity", search_kwargs={"k": k})
|
81 |
+
# create a chain to answer questions 然后使用这个检索器和 OpenAI 的模型创建一个问答链来回答问题。
|
82 |
qa = RetrievalQA.from_chain_type(
|
83 |
llm=OpenAI(), chain_type=chain_type, retriever=retriever, return_source_documents=True)
|
84 |
result = qa({"query": query})
|
85 |
+
# 最后,函数打印出结果并返回。
|
86 |
print(result['result'])
|
87 |
return result
|
88 |
|
|
|
90 |
# In[6]:
|
91 |
|
92 |
|
93 |
+
convos = [] # store all panel objects in a list convos是对话列表的意思
|
|
|
94 |
|
95 |
+
#qa_result 函数是用于处理用户界面输入和调用 qa 函数的函数。它首先从环境变量中获取 OpenAI 的 API 密钥,然后保存用户上传的 PDF 文件。如果用户输入了问题,函数将调用 qa 函数,并将结果添加到对话列表中。
|
96 |
def qa_result(_):
|
97 |
+
#首先从环境变量中获取 OpenAI 的 API 密钥
|
98 |
os.environ["OPENAI_API_KEY"] = openaikey.value
|
99 |
|
100 |
+
# save pdf file to a temp file 保存用户上传的 PDF文件为temp.pdf
|
101 |
if file_input.value is not None:
|
102 |
file_input.save("/.cache/temp.pdf")
|
103 |
|
|
|
125 |
return pn.Column(*convos, margin=15, width=575, min_height=400)
|
126 |
|
127 |
|
128 |
+
# In[7]:创建了一个交互式的 Panel 小部件,当用户点击运行按钮时,会调用 qa_result 函数。
|
|
|
|
|
129 |
qa_interactive = pn.panel(
|
130 |
pn.bind(qa_result, run_button),
|
131 |
loading_indicator=True,
|
132 |
)
|
133 |
|
134 |
|
135 |
+
# In[8]:创建输出框
|
|
|
|
|
136 |
output = pn.WidgetBox('*Output will show up here:*',
|
137 |
qa_interactive, width=630, scroll=True)
|
138 |
|
139 |
|
140 |
+
# 界面设计
|
|
|
|
|
|
|
141 |
pn.Column(
|
142 |
+
pn.panel.Markdown("""
|
143 |
+
##你可以问我关于你上传的PDF文件的任何信息!
|
144 |
+
1) 上传一个PDF文件. 2)输入你的OpenAI API key.这将产生费用 3) 输入问题然后点击"Run".
|
|
|
|
|
145 |
"""),
|
146 |
pn.Row(file_input, openaikey),
|
147 |
output,
|