Vorbereitung für die Feinabstimmung

Einführung in LLMs mit Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines und Auto-Klassen

Pipelines: pipeline()

  • Optimiert Aufgaben
  • Automatische Auswahl von Modell und Tokenizer
  • Eingeschränkte Kontrolle

Pipelines von Hugging Face Transformers

Auto-Klassen: (AutoModel-Klasse)

  • Individualisierung
  • Manuelle Anpassungen
  • Unterstützt Feinabstimmung

Die AutoModel-Klasse des Hugging Face Transformers mit Anpassungsoptionen

Einführung in LLMs mit Python

LLM-Lebenszyklus

Lebenszyklus von LLMs

Vortraining

  • Umfassende Daten
  • Lernt allgemeine Muster
Einführung in LLMs mit Python

LLM-Lebenszyklus

Lebenszyklus von LLMs

Vortraining                                                             Feinabstimmung

  • Umfassende Daten                                               Domänenspezifisch
  • Lernt allgemeine Muster                                       Spezifische Aufgaben
Einführung in LLMs mit Python

Laden eines Datensatzes für die Feinabstimmung

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(): lädt Datensatz aus dem Hugging Face Hub
    • imdb: Klassifikation von Bewertungen
Einführung in LLMs mit Python

Auto-Klassen

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Einführung in LLMs mit Python

Tokenisierung

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)
Einführung in LLMs mit Python

Tokenisierungsausgabe

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, ...
Einführung in LLMs mit Python

Zeilenweise Tokenisierung

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
})
Einführung in LLMs mit Python

Subword-Tokenisierung

  • Bei modernen Tokenizern üblich
  • Wörter in sinnvolle Teile zerlegt

 

Unbelievably

Einführung in LLMs mit Python

Subword-Tokenisierung

  • Bei modernen Tokenizern üblich
  • Wörter in sinnvolle Teile zerlegt

 

Unbelievably tokenisiert als un, believ, ably.

Einführung in LLMs mit Python

Lass uns üben!

Einführung in LLMs mit Python

Preparing Video For Download...