Підготовка до тонкого налаштування

Вступ до LLM у Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Конвеєри та автокласи

Конвеєри: pipeline()

  • Спрощує задачі
  • Автовибір моделі та токенайзера
  • Обмежений контроль

Конвеєри Hugging Face Transformers

Автокласи (AutoModel class)

  • Гнучке налаштування
  • Ручні зміни
  • Підтримує тонке налаштування

Клас AutoModel у Hugging Face Transformers з опціями налаштування

Вступ до LLM у Python

Життєвий цикл LLM

Життєвий цикл LLM

Передтренування

  • Широкі дані
  • Вивчення загальних патернів
Вступ до LLM у Python

Життєвий цикл LLM

Життєвий цикл LLM

Передтренування                                                             Тонке налаштування

  • Широкі дані                                                        Доменні дані
  • Загальні патерни                                       Спеціалізовані задачі
Вступ до LLM у Python

Завантаження набору даних для тонкого налаштування

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(): завантажує набір даних із Hugging Face Hub
    • imdb: класифікація відгуків
Вступ до LLM у Python

Автокласи

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Вступ до LLM у Python

Токенізація

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)
Вступ до LLM у Python

Результат токенізації

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, ...
Вступ до LLM у Python

Покрокова токенізація

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
})
Вступ до LLM у Python

Субслівна токенізація

  • Поширено в сучасних токенайзерах
  • Слова діляться на змістовні частини

 

Unbelievably

Вступ до LLM у Python

Субслівна токенізація

  • Поширено в сучасних токенайзерах
  • Слова діляться на змістовні частини

 

Unbelievably tokenized as un, believ, ably.

Вступ до LLM у Python

Давайте потренуємось!

Вступ до LLM у Python

Preparing Video For Download...