SageMaker 跟踪

Amazon SageMaker 是一项完全托管的服务，用于快速、轻松地构建、训练和部署机器学习（ML）模型。

Amazon SageMaker Experiments 是 Amazon SageMaker 的一个功能，允许您组织、跟踪、比较和评估 ML 实验和模型版本。

这个笔记本展示了如何使用 LangChain 回调来将提示和其他 LLM 超参数记录和跟踪到 SageMaker Experiments 中。在这里，我们使用不同的场景来展示这个功能：

• 场景 1：单个 LLM - 使用单个 LLM 模型根据给定提示生成输出的情况。

• 场景 2：顺序链 - 使用两个 LLM 模型的顺序链的情况。

• 场景 3：带工具的代理（思维链） - 除了 LLM 外，还使用多个工具（搜索和数学）的情况。

在这个笔记本中，我们将创建一个单一实验来记录每个场景中的提示。

安装和设置

%pip install --upgrade --quiet  sagemaker
%pip install --upgrade --quiet  langchain-openai
%pip install --upgrade --quiet  google-search-results

首先，设置所需的 API 密钥

• OpenAI: https://platform.openai.com/account/api-keys（用于 OpenAI LLM 模型）

• Google SERP API: https://serpapi.com/manage-api-key（用于 Google 搜索工具）

import os
## 在下面添加您的 API 密钥
os.environ["OPENAI_API_KEY"] = "<ADD-KEY-HERE>"
os.environ["SERPAPI_API_KEY"] = "<ADD-KEY-HERE>"

from langchain_community.callbacks.sagemaker_callback import SageMakerCallbackHandler

from langchain.agents import initialize_agent, load_tools
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain_core.prompts import PromptTemplate
from langchain_openai import OpenAI
from sagemaker.analytics import ExperimentAnalytics
from sagemaker.experiments.run import Run
from sagemaker.session import Session

LLM 提示跟踪

# LLM 超参数
HPARAMS = {
    "temperature": 0.1,
    "model_name": "gpt-3.5-turbo-instruct",
}
# 用于保存提示日志的存储桶（使用 `None` 保存默认存储桶，否则更改它）
BUCKET_NAME = None
# 实验名称
EXPERIMENT_NAME = "langchain-sagemaker-tracker"
# 使用给定存储桶创建 SageMaker 会话
session = Session(default_bucket=BUCKET_NAME)

场景 1 - LLM

RUN_NAME = "run-scenario-1"
PROMPT_TEMPLATE = "tell me a joke about {topic}"
INPUT_VARIABLES = {"topic": "fish"}

with Run(
    experiment_name=EXPERIMENT_NAME, run_name=RUN_NAME, sagemaker_session=session
) as run:
    # 创建 SageMaker 回调
    sagemaker_callback = SageMakerCallbackHandler(run)
    # 使用回调定义 LLM 模型
    llm = OpenAI(callbacks=[sagemaker_callback], **HPARAMS)
    # 创建提示模板
    prompt = PromptTemplate.from_template(template=PROMPT_TEMPLATE)
    # 创建 LLM 链
    chain = LLMChain(llm=llm, prompt=prompt, callbacks=[sagemaker_callback])
    # 运行链
    chain.run(**INPUT_VARIABLES)
    # 重置回调
    sagemaker_callback.flush_tracker()

场景 2 - 顺序链

RUN_NAME = "run-scenario-2"
PROMPT_TEMPLATE_1 = """You are a playwright. Given the title of play, it is your job to write a synopsis for that title.
Title: {title}
Playwright: This is a synopsis for the above play:"""
PROMPT_TEMPLATE_2 = """You are a play critic from the New York Times. Given the synopsis of play, it is your job to write a review for that play.
Play Synopsis: {synopsis}
Review from a New York Times play critic of the above play:"""
INPUT_VARIABLES = {
    "input": "documentary about good video games that push the boundary of game design"
}

with Run(
    experiment_name=EXPERIMENT_NAME, run_name=RUN_NAME, sagemaker_session=session
) as run:
    # 创建 SageMaker 回调
    sagemaker_callback = SageMakerCallbackHandler(run)
    # 为链创建提示模板
    prompt_template1 = PromptTemplate.from_template(template=PROMPT_TEMPLATE_1)
    prompt_template2 = PromptTemplate.from_template(template=PROMPT_TEMPLATE_2)
    # 使用回调定义 LLM 模型
    llm = OpenAI(callbacks=[sagemaker_callback], **HPARAMS)
    # 创建链1
    chain1 = LLMChain(llm=llm, prompt=prompt_template1, callbacks=[sagemaker_callback])
    # 创建链2
    chain2 = LLMChain(llm=llm, prompt=prompt_template2, callbacks=[sagemaker_callback])
    # 创建顺序链
    overall_chain = SimpleSequentialChain(
        chains=[chain1, chain2], callbacks=[sagemaker_callback]
    )
    # 运行整体顺序链
    overall_chain.run(**INPUT_VARIABLES)
    # 重置回调
    sagemaker_callback.flush_tracker()
### 场景3 - 带有工具的代理
```python

RUN_NAME = "run-scenario-3"

PROMPT_TEMPLATE = "谁是目前世界上最年长的人？他们的当前年龄的1.51次方是多少？"

with Run(
    experiment_name=EXPERIMENT_NAME, run_name=RUN_NAME, sagemaker_session=session
) as run:
    # 创建 SageMaker 回调
    sagemaker_callback = SageMakerCallbackHandler(run)
    # 使用回调定义 LLM 模型
    llm = OpenAI(callbacks=[sagemaker_callback], **HPARAMS)
    # 定义工具
    tools = load_tools(["serpapi", "llm-math"], llm=llm, callbacks=[sagemaker_callback])
    # 使用所有工具初始化代理
    agent = initialize_agent(
        tools, llm, agent="zero-shot-react-description", callbacks=[sagemaker_callback]
    )
    # 运行代理
    agent.run(input=PROMPT_TEMPLATE)
    # 重置回调
    sagemaker_callback.flush_tracker()

加载日志数据

一旦提示被记录，我们可以轻松地加载并将其转换为 Pandas DataFrame，如下所示。

# 加载
logs = ExperimentAnalytics(experiment_name=EXPERIMENT_NAME)
# 转换为 pandas dataframe
df = logs.dataframe(force_refresh=True)
print(df.shape)
df.head()

如上所示，实验中有三次运行（行），对应每个场景。每次运行都会将提示和相关的 LLM 设置/超参数记录为 JSON，并保存在 S3 存储桶中。请随意从每个 JSON 路径加载和探索日志数据。