Zkoumání předtrénovaných LLM

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Proč je fine-tuning důležitý

Diagram znázorňující proces RLHF.

Reinforcement Learning from Human Feedback (RLHF)

Proč je fine-tuning důležitý

Diagram znázorňující LLM se vstupem a výstupem.

Reinforcement Learning from Human Feedback (RLHF)

Průvodce fine-tuningem LLM krok za krokem

Ikona znázorňující LLM natrénovaný na rozpoznávání sentimentu tweetů.

Reinforcement Learning from Human Feedback (RLHF)

Průvodce fine-tuningem LLM krok za krokem

Ikona znázorňující LLM pro rozpoznávání sentimentu tweetů s nesprávným výstupem.

Reinforcement Learning from Human Feedback (RLHF)

Průvodce fine-tuningem LLM krok za krokem

Ikona znázorňující LLM pro rozpoznávání sentimentu tweetů, předtrénovaný na velkém datasetu.

Reinforcement Learning from Human Feedback (RLHF)

Krok 1: načtení dat

from datasets import load_dataset
import pandas as pd

# `load_dataset` simplifies loading and preprocessing datasets from various sources
# It provides easy access to a wide range of datasets with minimal setup
dataset = load_dataset("mteb/tweet_sentiment_extraction")
df = pd.DataFrame(dataset['train'])

    id               text                                        label   label_text
0   cb774db0d1       I'd have responded, if I were going         1       neutral
1   549e992a42       Sooo SAD I will miss you in San Diego!!!    0       negative
2   08ac60f138       my boss is bullying me...                   0       negative
Reinforcement Learning from Human Feedback (RLHF)

Krok 2: výběr předtrénovaného modelu

from transformers import AutoModelForCausalLM

# AutoModelForCausalLM simplifies loading and switching models
model = AutoModelForCausalLM.from_pretrained("openai-gpt")

 

  • Kauzální modely: předchozí tokeny „způsobují" následující
Reinforcement Learning from Human Feedback (RLHF)

Krok 3: tokenizer

from transformers import AutoTokenizer

# `AutoTokenizer` loads the correct tokenizer for the specified model
tokenizer = AutoTokenizer.from_pretrained("openai-gpt")
tokenizer.add_special_tokens({'pad_token': '[PAD]'})
model.resize_token_embeddings(len(tokenizer))

 

  • Padding: pro dávky textu stejné délky
Reinforcement Learning from Human Feedback (RLHF)

Krok 3: tokenizer

def tokenize_function(examples):
    tokenized = tokenizer(examples["content"], padding="max_length", truncation=True) 
    return tokenized

tokenized_datasets = dataset.map(tokenize_function, batched=True)

 

  • Parametr batched: pro rychlejší zpracování
Reinforcement Learning from Human Feedback (RLHF)

Krok 4: fine-tuning metodou Trainer

training_args = TrainingArguments(
   output_dir="test_trainer",
   per_device_train_batch_size=1,
   per_device_eval_batch_size=1,  
   gradient_accumulation_steps=4)

trainer = Trainer(
   model=model,
   args=training_args,
   train_dataset=tokenized_dataset["train"],
   eval_dataset=tokenized_dataset["test"])
trainer.train()
Reinforcement Learning from Human Feedback (RLHF)

Pojďme si procvičit!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...