Prapemrosesan data untuk fine-tuning

Fine-Tuning dengan Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Menggunakan dataset untuk fine-tuning

  • Kualitas data sangat penting

  • Training Set:

    • Untuk melatih model
    • Porsi data terbesar

Diagram dataset dengan training set.

Fine-Tuning dengan Llama 3

Menggunakan dataset untuk fine-tuning

  • Kualitas data sangat penting

  • Training Set:

    • Untuk melatih model
    • Porsi data terbesar
  • Validation Set:
    • Untuk memilih versi model terbaik

Diagram training dan validation set.

Fine-Tuning dengan Llama 3

Menggunakan dataset untuk fine-tuning

  • Kualitas data sangat penting

  • Training Set:

    • Untuk melatih model
    • Porsi data terbesar
  • Validation Set:
    • Untuk memilih versi model terbaik
  • Test Set:
    • Untuk mengevaluasi kinerja model

Diagram training, validation, dan test set.

Fine-Tuning dengan Llama 3

Menyiapkan data dengan pustaka datasets

 

  • Pustaka Datasets
  • Prapemrosesan
  • Pembagian
  • Pemuatan
  • Kelola memori

Diagram alur data: dari dataset ke pustaka datasets, yang menampilkan 3 kotak hijau untuk prapemrosesan, pemuatan/pengelolaan data, dan integrasi, lalu panah ke keluaran berupa kotak data siap pakai.

Fine-Tuning dengan Llama 3

Memuat dataset layanan pelanggan

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 dengan Llama 3

Mengintip 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."}
Fine-Tuning dengan Llama 3

Memfilter 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 dengan Llama 3

Prapemrosesan 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 dengan Llama 3

Menyimpan dataset yang telah dipraproses

ds.save_to_disk("preprocessed_dataset")

Menyimpan dataset (1/1 shard): 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 dengan Llama 3

Menggunakan dataset Hugging Face dengan TorchTune

 

  • Dapat memakai dataset Hugging Face dengan TorchTune
  • Tetapkan path dataset dan konfigurasi

 

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

Ayo berlatih!

Fine-Tuning dengan Llama 3

Preparing Video For Download...