Préparation pour l’affinage

Introduction aux LLM en Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines et classes automatiques

Pipelines : pipeline()

  • Simplifie les tâches
  • Sélection automatique du modèle et du tokenizer
  • Contrôle restreint

Hugging Face Transformers' pipelines

Classes automatiques ( classeAutoModel )

  • Personnalisation
  • Réglages manuels
  • Prend en charge l’affinage

Hugging Face Transformers' AutoModel class showing customization options

Introduction aux LLM en Python

Cycle de vie LLM

LLMs lifecycle

Pré-entraînement

  • Données générales
  • Apprendre les modèles généraux
Introduction aux LLM en Python

Cycle de vie LLM

LLMs lifecycle

Pré-entraînement                                                             Ajustement

  • Données générales                                                          Spécifiques au domaine
  • Apprendre les modèles généraux                                       Tâches spécialisées
Introduction aux LLM en Python

Chargement d'un ensemble de données pour l’affinage

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() : charge un ensemble de données à partir du hub Hugging Face
    • imdb : classification des critiques
Introduction aux LLM en Python

Classes automatiques

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introduction aux LLM en Python

Tokenization

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)
Introduction aux LLM en Python

Résultat de la tokenisation

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, ...
Introduction aux LLM en Python

Tokenisation ligne par ligne

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
})
Introduction aux LLM en Python

Tokenisation des sous-mots

  • Courant dans les tokenizers modernes
  • Mots divisés en sous-parties significatives

 

Unbelievably

Introduction aux LLM en Python

Tokenisation des sous-mots

  • Courant dans les tokenizers modernes
  • Mots divisés en sous-parties significatives

 

Unbelievably tokenized as un, believ, ably.

Introduction aux LLM en Python

Passons à la pratique !

Introduction aux LLM en Python

Preparing Video For Download...