01。
概述
一款利用检索增强生成（RAG）技术和LLaMA-3.1-8B即时大型语言模型（LLM）的个人助理工具。该工具旨在通过结合机器学习和基于检索的系统，彻底改变PDF文档分析任务。
02。
RAG架构的起源
03。
RAG 架构概述
索引器：该组件创建语料库的索引，以便于高效检索相关文档。 检索器：该组件根据输入的查询，在索引化的语料库中检索相关文档。 生成器：该组件根据检索到的文档生成相应的回应。
04。
实现细节
索引器训练：索引器被训练以创建查询与文档之间的高效准确映射。 检索器训练：检索器被训练以最大化相关文档的相关性得分。 生成器训练：生成器被训练以提高真实响应的概率最大化。
索引：对语料库进行索引，以便于高效检索。 检索：根据给定查询的相关性得分，检索出排名最高的文档。 生成：根据输入的查询和检索到的文档生成回应。最终的回应是通过如上所述对检索到的文档进行边缘化处理获得的。
05。
安装
!conda install -n pa \
pytorch \
torchvision \
torchaudio \
cpuonly \
-c pytorch \
-c conda-forge \
--yes
%pip install -U ipywidgets
%pip install -U requests
%pip install -U llama-index
%pip install -U llama-index-embeddings-huggingface
%pip install -U llama-index-llms-groq
%pip install -U groq
%pip install -U gradio
import os
import platform
import subprocess
import requests
def install_tesseract():
"""
Installs Tesseract OCR based on the operating system.
"""
os_name = platform.system()
if os_name == "Linux":
print("Detected Linux. Installing Tesseract using apt-get...")
subprocess.run(["sudo", "apt-get", "update"], check=True)
subprocess.run(["sudo", "apt-get", "install", "-y", "tesseract-ocr"], check=True)
elif os_name == "Darwin":
print("Detected macOS. Installing Tesseract using Homebrew...")
subprocess.run(["brew", "install", "tesseract"], check=True)
elif os_name == "Windows":
tesseract_installer_url = "https://github.com/UB-Mannheim/tesseract/releases/download/v5.4.0.20240606/tesseract-ocr-w64-setup-5.4.0.20240606.exe"
installer_path = "tesseract-ocr-w64-setup-5.4.0.20240606.exe"
response = requests.get(tesseract_installer_url)
with open(installer_path, "wb") as file:
file.write(response.content)
tesseract_path = r"C:\Program Files\Tesseract-OCR"
os.environ["PATH"] += os.pathsep + tesseract_path
try:
result = subprocess.run(["tesseract", "--version"], check=True, capture_output=True, text=True)
print(result.stdout)
except subprocess.CalledProcessError as e:
print(f"Error running Tesseract: {e}")
else:
print(f"Unsupported OS: {os_name}")
install_tesseract()
Convert PDF to OCR
import webbrowser
url = "https://www.ilovepdf.com/ocr-pdf"
webbrowser.open_new(url)
import os
from llama_index.core import (
Settings,
VectorStoreIndex,
SimpleDirectoryReader,
StorageContext,
load_index_from_storage
)
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.llms.groq import Groq
import gradio as gr
