Ajustement efficace avec LoRA

Ajustement fin avec Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Que se passe-t-il lors de l’entraînement d’un modèle ?

 

  • Les tokens sont des entrées formant un vecteur
  • Multiplication matricielle (modèle)
  • Produit des vecteurs de sortie
  • Les erreurs mettent à jour les poids
  • La taille du modèle détermine la difficulté

Matrices d’entrée et du modèle représentées visuellement

Ajustement fin avec Llama 3

Qu’est-ce que LoRA

 

  • Décomposition de rang faible
  • Réduit les paramètres entraînables
  • Maintient les performances
  • Effet de régularisation

Une matrice bleue divisée en deux matrices décomposées qui, multipliées, reconstruisent l’originale.

Ajustement fin avec Llama 3

Implémenter LoRA avec PEFT

from peft import LoraConfig

lora_config = LoraConfig(

    r=12,

    lora_alpha=32,

    lora_dropout=0.05,

    bias="none",

    task_type="CAUSAL_LM",
    target_modules=['q_proj', 'v_proj']

)
Ajustement fin avec Llama 3

Intégrer la configuration LoRA à l’entraînement

trainer = SFTTrainer(
    model=model,

    train_dataset=ds,

    max_seq_length=250,
    dataset_text_field='conversation',

    tokenizer=tokenizer,
    args=training_arguments

    peft_config=lora_config,

)

trainer.train()
Ajustement fin avec Llama 3

LoRA vs ajustement classique

 

  • TinyLlama/TinyLlama-1.1B-Chat-v1.0
  • 1,1 milliard de paramètres
  • 11k échantillons
  • ~30 minutes

 

  • nvidia/Llama3-ChatQA-1.5-8B
  • 8 milliards de paramètres
  • 11k échantillons
  • ~30 minutes
Ajustement fin avec Llama 3

Passons à la pratique !

Ajustement fin avec Llama 3

Preparing Video For Download...