Příprava na doladění

Úvod do LLMs v Pythonu

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines a třídy Auto

Pipelines: pipeline()

  • Zjednodušuje úlohy
  • Automatický výběr modelu a tokenizátoru
  • Omezená kontrola

Pipelines knihovny Hugging Face Transformers

Třídy Auto (AutoModel)

  • Přizpůsobení
  • Ruční úpravy
  • Podpora doladění

Třída AutoModel z Hugging Face Transformers zobrazující možnosti přizpůsobení

Úvod do LLMs v Pythonu

Životní cyklus LLM

Životní cyklus LLM

Předtrénování

  • Rozsáhlá data
  • Učení obecných vzorů
Úvod do LLMs v Pythonu

Životní cyklus LLM

Životní cyklus LLM

Předtrénování                                                             Doladění

  • Rozsáhlá data                                                          Doménově specifická
  • Učení obecných vzorů                                       Specializované úlohy
Úvod do LLMs v Pythonu

Načítání datové sady pro doladění

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(): načte datovou sadu z Hugging Face hubu
    • imdb: klasifikace recenzí
Úvod do LLMs v Pythonu

Třídy Auto

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Úvod do LLMs v Pythonu

Tokenizace

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)
Úvod do LLMs v Pythonu

Výstup tokenizace

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, ...
Úvod do LLMs v Pythonu

Tokenizace po řádcích

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
})
Úvod do LLMs v Pythonu

Subwordová tokenizace

  • Běžné v moderních tokenizátorech
  • Slova rozdělena na smysluplné části

 

Unbelievably

Úvod do LLMs v Pythonu

Subwordová tokenizace

  • Běžné v moderních tokenizátorech
  • Slova rozdělena na smysluplné části

 

Slovo Unbelievably tokenizováno jako un, believ, ably.

Úvod do LLMs v Pythonu

Pojďme si procvičit!

Úvod do LLMs v Pythonu

Preparing Video For Download...