Voorbereiden op fine-tuning

Introductie tot LLM’s in Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines en auto-klassen

Pipelines: pipeline()

  • Vereenvoudigt taken
  • Automatische selectie van model en tokenizer
  • Beperkte controle

Pipelines van Hugging Face Transformers

Auto-klassen (AutoModel class)

  • Maatwerk
  • Handmatige aanpassingen
  • Ondersteunt fine-tuning

De AutoModel-klasse van Hugging Face Transformers met aanpassingsopties

Introductie tot LLM’s in Python

LLM-levenscyclus

Levenscyclus van LLM's

Pre-training

  • Brede data
  • Algemene patronen leren
Introductie tot LLM’s in Python

LLM-levenscyclus

Levenscyclus van LLM's

Pre-training                                                            Fine-tuning

  • Brede data                                                          Domeinspecifiek
  • Algemene patronen leren                                       Gespecialiseerde taken
Introductie tot LLM’s in Python

Een dataset laden voor 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(): laadt een dataset van de Hugging Face Hub
    • imdb: reviewclassificatie
Introductie tot LLM’s in Python

Auto-klassen

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introductie tot LLM’s in Python

Tokenization

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)
Introductie tot LLM’s in Python

Tokenization-uitvoer

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, ...
Introductie tot LLM’s in Python

Rij-voor-rij tokenizen

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
})
Introductie tot LLM’s in Python

Subwoord-tokenization

  • Gangbaar in moderne tokenizers
  • Woorden gesplitst in betekenisvolle subdelen

 

Unbelievably

Introductie tot LLM’s in Python

Subwoord-tokenization

  • Gangbaar in moderne tokenizers
  • Woorden gesplitst in betekenisvolle subdelen

 

Unbelievably getokenized als un, believ, ably.

Introductie tot LLM’s in Python

Laten we oefenen!

Introductie tot LLM’s in Python

Preparing Video For Download...