Preprocesamiento de datos para ajuste fino

Ajuste fino con Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Usar datasets para ajuste fino

  • La calidad de los datos es clave

  • Conjunto de entrenamiento:

    • Para entrenar el modelo
    • Mayor parte de los datos

Diagrama de un dataset con conjuntos de entrenamiento.

Ajuste fino con Llama 3

Usar datasets para ajuste fino

  • La calidad de los datos es clave

  • Conjunto de entrenamiento:

    • Para entrenar el modelo
    • Mayor parte de los datos
  • Conjunto de validación:
    • Para elegir la mejor versión del modelo

Diagrama de un conjunto de entrenamiento y validación.

Ajuste fino con Llama 3

Usar datasets para ajuste fino

  • La calidad de los datos es clave

  • Conjunto de entrenamiento:

    • Para entrenar el modelo
    • Mayor parte de los datos
  • Conjunto de validación:
    • Para elegir la mejor versión del modelo
  • Conjunto de prueba:
    • Para evaluar el rendimiento del modelo

Diagrama de un conjunto de entrenamiento, validación y prueba.

Ajuste fino con Llama 3

Preparar datos con la librería datasets

 

  • Librería Datasets
  • Preprocesamiento
  • División
  • Carga
  • Gestión de memoria

Diagrama del flujo de datos: el dataset entra en la librería datasets, que muestra 3 cajas verdes (preprocesamiento, carga/gestión de datos e integraciones), seguido de una flecha hacia la salida con los datos preparados.

Ajuste fino con Llama 3

Cargar un dataset de atención al cliente

from datasets import load_dataset

ds = load_dataset(
    'bitext/Bitext-customer-support-llm-chatbot-training-dataset',

    split="train"

)

print(ds.column_names)

['flags', 'instruction', 'category', 'intent', 'response']
Ajuste fino con Llama 3

Echar un vistazo a los datos

import pprint
pprint.pprint(ds[0])

{'category': 'ORDER',
 'flags': 'B',
 'instruction': 'question about cancelling order {{Order Number}}',
 'intent': 'cancel_order',
 'response': "I've understood you have a question regarding canceling order "
             "{{Order Number}}, and I'm here to provide you with the "
             'information you need. Please go ahead and ask your question, and '
             "I'll do my best to assist you."}
Ajuste fino con Llama 3

Filtrar el dataset

from datasets import load_dataset, Dataset

ds = load_dataset(
    'bitext/Bitext-customer-support-llm-chatbot-training-dataset',
    split="train")

print(ds.shape)

(26872, 5)

first_thousand_points = ds[:1000]

ds = Dataset.from_dict(first_thousand_points)
Ajuste fino con Llama 3

Preprocesar el dataset

def merge_example(row):

    row['conversation'] = f"Query: {row['instruction']}\nResponse: {row['response']}"
    return row

ds = ds.map(merge_example)

print(ds[0]['conversation'])

Query: question about cancelling order {{Order Number}}
Response: I've understood you have a question regarding canceling order {{Order Number}}, 
and I'm here to provide you with the information you need. Please go ahead and ask your 
question, and I'll do my best to assist you.
Ajuste fino con Llama 3

Guardar el dataset preprocesado

ds.save_to_disk("preprocessed_dataset")

Saving the dataset (1/1 shards): 100%
26872/26872 [00:00<00:00, 383823.33 examples/s]

from datasets import load_from_disk
ds_preprocessed = load_from_disk("preprocessed_dataset")
Ajuste fino con Llama 3

Usar datasets de Hugging Face con TorchTune

 

  • Puedes usar datasets de Hugging Face con TorchTune
  • Define la ruta y configuraciones del dataset

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Ajuste fino con Llama 3

¡Vamos a practicar!

Ajuste fino con Llama 3

Preparing Video For Download...