Przygotowanie do dostrajania

Wprowadzenie do LLM w Pythonie

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Potoki i klasy Auto

Potoki: pipeline()

  • Upraszcza zadania
  • Automatyczny dobór modelu i tokenizatora
  • Ograniczona kontrola

Potoki biblioteki Hugging Face Transformers

Klasy Auto (klasa AutoModel)

  • Personalizacja
  • Ręczne dostosowania
  • Obsługuje dostrajanie

Klasa AutoModel z Hugging Face Transformers z opcjami personalizacji

Wprowadzenie do LLM w Pythonie

Cykl życia LLM

Cykl życia LLM

Wstępne trenowanie

  • Szerokie dane
  • Uczenie ogólnych wzorców
Wprowadzenie do LLM w Pythonie

Cykl życia LLM

Cykl życia LLM

Wstępne trenowanie                                                             Dostrajanie

  • Szerokie dane                                                          Dane dziedzinowe
  • Uczenie ogólnych wzorców                                       Zadania specjalistyczne
Wprowadzenie do LLM w Pythonie

Wczytywanie zbioru danych do dostrajania

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(): wczytuje zbiór danych z Hugging Face Hub
    • imdb: klasyfikacja recenzji
Wprowadzenie do LLM w Pythonie

Klasy Auto

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Wprowadzenie do LLM w Pythonie

Tokenizacja

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)
Wprowadzenie do LLM w Pythonie

Wynik tokenizacji

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, ...
Wprowadzenie do LLM w Pythonie

Tokenizacja wiersz po wierszu

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
})
Wprowadzenie do LLM w Pythonie

Tokenizacja podwyrazowa

  • Powszechne we współczesnych tokenizatorach
  • Słowa dzielone na znaczące podczęści

 

Unbelievably

Wprowadzenie do LLM w Pythonie

Tokenizacja podwyrazowa

  • Powszechna we współczesnych tokenizatorach
  • Słowa dzielone na znaczące podczęści

 

Słowo „Unbelievably" stokenizowane jako: un, believ, ably.

Wprowadzenie do LLM w Pythonie

Czas na ćwiczenia!

Wprowadzenie do LLM w Pythonie

Preparing Video For Download...