Preparación para el fine-tuning

Introducción a los LLMs en Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines y clases Auto

Pipelines: pipeline()

  • Simplifica tareas
  • Selección automática de modelo y tokenizer
  • Control limitado

Pipelines de Transformers de Hugging Face

Clases Auto (AutoModel class)

  • Personalización
  • Ajustes manuales
  • Compatible con fine-tuning

Clase AutoModel de Hugging Face Transformers con opciones de personalización

Introducción a los LLMs en Python

Ciclo de vida de un LLM

Ciclo de vida de los LLM

Pre-entrenamiento

  • Datos amplios
  • Aprende patrones generales
Introducción a los LLMs en Python

Ciclo de vida de un LLM

Ciclo de vida de los LLM

Pre-entrenamiento                                                               Fine-tuning

  • Datos amplios                                                          Específicos del dominio
  • Aprende patrones generales                               Tareas especializadas
Introducción a los LLMs en Python

Cargar un dataset para fine-tuning

from datasets import load_dataset


train_data = load_dataset("imdb", split="train")

train_data = data.shard(num_shards=4, index=0)


test_data = load_dataset("imdb", split="test")

test_data = data.shard(num_shards=4, index=0)
  • load_dataset(): carga un dataset del Hub de Hugging Face
    • imdb: clasificación de reseñas
Introducción a los LLMs en Python

Clases Auto

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introducción a los LLMs en Python

Tokenización

from transformers import AutoTokenizer, AutoModelForSequenceClassification
from datasets import load_dataset

train_data = load_dataset("imdb", split="train")
train_data = data.shard(num_shards=4, index=0)
test_data = load_dataset("imdb", split="test")
test_data = data.shard(num_shards=4, index=0)

model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")


# Tokenize the data
tokenized_training_data = tokenizer(train_data["text"], return_tensors="pt", padding=True, truncation=True, 
                                    max_length=64)

tokenized_test_data = tokenizer(test_data["text"], return_tensors="pt", padding=True, truncation=True, 
                                max_length=64)
Introducción a los LLMs en Python

Salida de la tokenización

print(tokenized_training_data)

{'input_ids': tensor([[  101,  1045, 12524,  1045,  2572,  8025,  1011,  3756,  
2013,  2026, 2678,  3573,  2138,  1997,  2035,  1996,  6704,  2008,  5129,  2009, 
2043,  2009, 2001,  2034,  2207,  1999,  3476,  1012,  1045,  2036, ...
Introducción a los LLMs en Python

Tokenizar fila a fila

def tokenize_function(text_data):
    return tokenizer(text_data["text"], return_tensors="pt", padding=True, truncation=True, max_length=64)

# Tokenize in batches
tokenized_in_batches = train_data.map(tokenize_function, batched=True)


# Tokenize row by row
tokenized_by_row = train_data.map(tokenize_function, batched=False)

Dataset({
    features: ['text', 'label', 'input_ids', 'token_type_ids', 'attention_mask'],
    num_rows: 1563
})
Introducción a los LLMs en Python

Tokenización por subpalabras

  • Común en tokenizers modernos
  • Las palabras se dividen en subpartes con sentido

 

Unbelievably

Introducción a los LLMs en Python

Tokenización por subpalabras

  • Común en tokenizers modernos
  • Las palabras se dividen en subpartes con sentido

 

Unbelievably tokenized as un, believ, ably.

Introducción a los LLMs en Python

¡Vamos a practicar!

Introducción a los LLMs en Python

Preparing Video For Download...