微調整の準備

Pythonで学ぶ LLM 入門

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines と Auto クラス

Pipelines: pipeline()

  • タスクを簡素化
  • モデルとトークナイザーを自動選択
  • 制御が限定的

Hugging Face Transformers の pipelines

Auto クラス（AutoModel クラス）

  • カスタマイズ可能
  • 手動調整
  • 微調整に対応

Hugging Face Transformers の AutoModel クラス（カスタマイズ例）

Pythonで学ぶ LLM 入門

LLM のライフサイクル

LLMs のライフサイクル

事前学習

  • 広範なデータ
  • 一般的なパターンを学習
Pythonで学ぶ LLM 入門

LLM のライフサイクル

LLMs のライフサイクル

事前学習                                                             微調整

  • 広範なデータ                                                          ドメイン特化
  • 一般的なパターンを学習                                       タスク特化
Pythonで学ぶ LLM 入門

微調整用データセットの読み込み

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(): Hugging Face Hub からデータセットを読み込む
    • imdb: レビュー分類
Pythonで学ぶ LLM 入門

Auto クラス

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Pythonで学ぶ LLM 入門

トークナイズ

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)
Pythonで学ぶ LLM 入門

トークナイズ結果

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, ...
Pythonで学ぶ LLM 入門

行単位でのトークナイズ

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
})
Pythonで学ぶ LLM 入門

サブワードトークナイズ

  • 最新のトークナイザーで一般的
  • 単語を意味のある部分に分割

 

Unbelievably

Pythonで学ぶ LLM 入門

サブワードトークナイズ

  • 最新のトークナイザーで一般的
  • 単語を意味のある部分に分割

 

「Unbelievably」を un, believ, ably に分割

Pythonで学ぶ LLM 入門

練習しましょう！

Pythonで学ぶ LLM 入門

Preparing Video For Download...