Pré-processamento de dados para fine-tuning

Ajuste Fino com Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Usando datasets para fine-tuning

  • Qualidade dos dados é crucial

  • Conjunto de treino:

    • Para treinar o modelo
    • Maior parte dos dados

Diagrama de um dataset com conjuntos de treino.

Ajuste Fino com Llama 3

Usando datasets para fine-tuning

  • Qualidade dos dados é crucial

  • Conjunto de treino:

    • Para treinar o modelo
    • Maior parte dos dados
  • Conjunto de validação:
    • Para escolher a melhor versão do modelo

Diagrama de conjuntos de treino e validação.

Ajuste Fino com Llama 3

Usando datasets para fine-tuning

  • Qualidade dos dados é crucial

  • Conjunto de treino:

    • Para treinar o modelo
    • Maior parte dos dados
  • Conjunto de validação:
    • Para escolher a melhor versão do modelo
  • Conjunto de teste:
    • Para avaliar o desempenho do modelo

Diagrama de conjuntos de treino, validação e teste.

Ajuste Fino com Llama 3

Preparando dados com a biblioteca Datasets

 

  • Biblioteca Datasets
  • Pré-processamento
  • Divisão
  • Carregamento
  • Gerenciar memória

Um diagrama do fluxo de dados: o dataset entra na biblioteca Datasets, que mostra 3 caixas verdes para pré-processamento, carregamento/gerenciamento de dados e integrações; uma seta aponta para a saída, uma caixa com dados preparados.

Ajuste Fino com Llama 3

Carregando um dataset de suporte ao 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 com Llama 3

Espiando os dados

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 com Llama 3

Filtrando o 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 com Llama 3

Pré-processando o 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 com Llama 3

Salvando o dataset pré-processado

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 com Llama 3

Usando datasets do Hugging Face com o TorchTune

 

  • Dá para usar dataset do Hugging Face com o TorchTune
  • Defina o caminho do dataset e as configs

 

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

Vamos praticar!

Ajuste Fino com Llama 3

Preparing Video For Download...