Preprocessare i dati per il fine-tuning

Fine-tuning con Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Usare i dataset per il fine-tuning

  • La qualità dei dati è fondamentale

  • Training set:

    • Per addestrare il modello
    • Gran parte dei dati

Diagramma di un dataset con training set.

Fine-tuning con Llama 3

Usare i dataset per il fine-tuning

  • La qualità dei dati è fondamentale

  • Training set:

    • Per addestrare il modello
    • Gran parte dei dati
  • Validation set:
    • Per selezionare la versione migliore del modello

Diagramma di un training set e di un validation set.

Fine-tuning con Llama 3

Usare i dataset per il fine-tuning

  • La qualità dei dati è fondamentale

  • Training set:

    • Per addestrare il modello
    • Gran parte dei dati
  • Validation set:
    • Per selezionare la versione migliore del modello
  • Test set:
    • Per valutare le prestazioni del modello

Diagramma di training, validation e test set.

Fine-tuning con Llama 3

Preparare i dati con la libreria Datasets

 

  • Libreria Datasets
  • Preprocessing
  • Split
  • Load
  • Gestione memoria

Diagramma del flusso dei dati: il dataset entra nella libreria Datasets, con 3 riquadri verdi per preprocessing, caricamento/gestione dati e integrazioni, poi una freccia verso l'output con i dati preparati.

Fine-tuning con Llama 3

Caricare un dataset di assistenza clienti

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']
Fine-tuning con Llama 3

Dare un'occhiata ai dati

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."}
Fine-tuning con Llama 3

Filtrare il 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)
Fine-tuning con Llama 3

Preprocessare il 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.
Fine-tuning con Llama 3

Salvare il dataset preprocessato

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")
Fine-tuning con Llama 3

Usare i dataset Hugging Face con TorchTune

 

  • Puoi usare un dataset Hugging Face con TorchTune
  • Imposta percorso e configurazioni del dataset

 

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

Passiamo alla pratica !

Fine-tuning con Llama 3

Preparing Video For Download...