Prepararsi al fine-tuning

Introduzione agli LLM in Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipeline e classi Auto

Pipeline: pipeline()

  • Semplifica i task
  • Selezione automatica di modello e tokenizer
  • Controllo limitato

Pipeline di Hugging Face Transformers

Classi Auto (AutoModel class)

  • Personalizzazione
  • Regolazioni manuali
  • Supporta il fine-tuning

Classe AutoModel di Hugging Face Transformers con opzioni di personalizzazione

Introduzione agli LLM in Python

Ciclo di vita degli LLM

Ciclo di vita degli LLM

Pre-training

  • Dati ampi
  • Apprende pattern generali
Introduzione agli LLM in Python

Ciclo di vita degli LLM

Ciclo di vita degli LLM

Pre-training                                                             Fine-tuning

  • Dati ampi                                                          Dati di dominio
  • Pattern generali                                       Task specializzati
Introduzione agli LLM in Python

Caricare un dataset per il fine-tuning

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(): carica un dataset dall'Hugging Face Hub
    • imdb: classificazione recensioni
Introduzione agli LLM in Python

Classi Auto

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introduzione agli LLM in Python

Tokenizzazione

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)
Introduzione agli LLM in Python

Output della tokenizzazione

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, ...
Introduzione agli LLM in Python

Tokenizzare riga per riga

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
})
Introduzione agli LLM in Python

Tokenizzazione a sottoparole

  • Comune nei tokenizer moderni
  • Le parole si dividono in sotto-parti significative

 

Unbelievably

Introduzione agli LLM in Python

Tokenizzazione a sottoparole

  • Comune nei tokenizer moderni
  • Le parole si dividono in sotto-parti significative

 

“Unbelievably” tokenizzato come un, believ, ably.

Introduzione agli LLM in Python

Ayo berlatih!

Introduzione agli LLM in Python

Preparing Video For Download...