Předzpracování dat pro doladění

Fine-Tuning s Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Použití datasetů pro doladění

  • Klíčová je kvalita dat

  • Trénovací sada:

    • Pro trénování modelu
    • Většina dat

Diagram datasetu s trénovací sadou.

Fine-Tuning s Llama 3

Použití datasetů pro doladění

  • Klíčová je kvalita dat

  • Trénovací sada:

    • Pro trénování modelu
    • Většina dat
  • Validační sada:
    • Pro výběr nejlepší verze modelu

Diagram trénovací a validační sady.

Fine-Tuning s Llama 3

Použití datasetů pro doladění

  • Klíčová je kvalita dat

  • Trénovací sada:

    • Pro trénování modelu
    • Většina dat
  • Validační sada:
    • Pro výběr nejlepší verze modelu
  • Testovací sada:
    • Pro hodnocení výkonu modelu

Diagram trénovací, validační a testovací sady.

Fine-Tuning s Llama 3

Příprava dat pomocí knihovny Datasets

 

  • Knihovna Datasets
  • Předzpracování
  • Rozdělení
  • Načtení
  • Správa paměti

Diagram toku dat: dataset vstupuje do knihovny Datasets, která obsahuje 3 zelené bloky pro předzpracování, načítání/správu dat a integrace, následuje šipka vedoucí k výstupu – blok s připravenými daty.

Fine-Tuning s Llama 3

Načtení datasetu zákaznické podpory

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 s Llama 3

Náhled do dat

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 s Llama 3

Filtrování datasetu

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 s Llama 3

Předzpracování datasetu

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 s Llama 3

Uložení předzpracovaného datasetu

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")
Fine-Tuning s Llama 3

Použití datasetů Hugging Face s TorchTune

 

  • Hugging Face dataset lze použít s TorchTune
  • Nastavení cesty a konfigurace datasetu

 

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

Lass uns üben!

Fine-Tuning s Llama 3

Preparing Video For Download...