Data preprocessen voor fine-tuning

Fijn-afstemmen met Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Datasets gebruiken voor fine-tuning

  • Datakwaliteit is cruciaal

  • Training set:

    • Voor modeltraining
    • Meeste data

Diagram van een dataset met trainingsets.

Fijn-afstemmen met Llama 3

Datasets gebruiken voor fine-tuning

  • Datakwaliteit is cruciaal

  • Training set:

    • Voor modeltraining
    • Meeste data
  • Validatieset:
    • Voor het kiezen van de beste modelversie

Diagram van een trainings- en validatieset.

Fijn-afstemmen met Llama 3

Datasets gebruiken voor fine-tuning

  • Datakwaliteit is cruciaal

  • Training set:

    • Voor modeltraining
    • Meeste data
  • Validatieset:
    • Voor het kiezen van de beste modelversie
  • Testset:
    • Voor het evalueren van de modelprestatie

Diagram van een trainings-, validatie- en testset.

Fijn-afstemmen met Llama 3

Data voorbereiden met de datasets-bibliotheek

 

  • Datasets-bibliotheek
  • Preprocessing
  • Splitsen
  • Laden
  • Geheugenbeheer

Een diagram van de datastroom: van de dataset naar de datasets-bibliotheek met 3 groene vakken (preprocessing, laden/beheren, integraties), gevolgd door een pijl naar de output: voorbereide data.

Fijn-afstemmen met Llama 3

Een klantenservicedataset laden

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']
Fijn-afstemmen met Llama 3

Een kijkje in de data

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."}
Fijn-afstemmen met Llama 3

De dataset filteren

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)
Fijn-afstemmen met Llama 3

De dataset preprocessen

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.
Fijn-afstemmen met Llama 3

De voorbewerkte dataset opslaan

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")
Fijn-afstemmen met Llama 3

Hugging Face-datasets gebruiken met TorchTune

 

  • Hugging Face-datasets werken met TorchTune
  • Stel een datasetpad en configs in

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Fijn-afstemmen met Llama 3

Laten we oefenen!

Fijn-afstemmen met Llama 3

Preparing Video For Download...