Pregătirea pentru fine-tuning

Introducere în LLM-uri cu Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipeline-uri și clase Auto

Pipeline-uri: pipeline()

  • Simplifică sarcinile
  • Selectare automată a modelului și tokenizer-ului
  • Control limitat

Pipeline-urile Hugging Face Transformers

Clase Auto (AutoModel)

  • Personalizare
  • Ajustări manuale
  • Suportă fine-tuning

Clasa AutoModel din Hugging Face Transformers cu opțiuni de personalizare

Introducere în LLM-uri cu Python

Ciclul de viață al LLM-urilor

Ciclul de viață al LLM-urilor

Pre-antrenare

  • Date generale
  • Învățarea tiparelor generale
Introducere în LLM-uri cu Python

Ciclul de viață al LLM-urilor

Ciclul de viață al LLM-urilor

Pre-antrenare                                                             Fine-tuning

  • Date generale                                                          Specific domeniului
  • Învățarea tiparelor generale                                       Sarcini specializate
Introducere în LLM-uri cu Python

Încărcarea unui set de date pentru fine-tuning

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(): încarcă un set de date din Hugging Face hub
    • imdb: clasificarea recenziilor
Introducere în LLM-uri cu Python

Clase Auto

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introducere în LLM-uri cu Python

Tokenizare

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)
Introducere în LLM-uri cu Python

Rezultatul tokenizării

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, ...
Introducere în LLM-uri cu Python

Tokenizare rând cu rând

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
})
Introducere în LLM-uri cu Python

Tokenizare la nivel de sub-cuvânt

  • Frecventă în tokenizer-ele moderne
  • Cuvintele sunt împărțite în sub-unități semnificative

 

Unbelievably

Introducere în LLM-uri cu Python

Tokenizare la nivel de sub-cuvânt

  • Frecventă în tokenizer-ele moderne
  • Cuvintele sunt împărțite în sub-unități semnificative

 

„Unbelievably" tokenizat ca: un, believ, ably.

Introducere în LLM-uri cu Python

Să exersăm!

Introducere în LLM-uri cu Python

Preparing Video For Download...