Förberedelser inför finjustering

Introduktion till LLM:er i Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Pipelines och auto-klasser

Pipelines: pipeline()

  • Förenklar uppgifter
  • Automatiskt val av modell och tokeniserare
  • Begränsad kontroll

Hugging Face Transformers pipelines

Auto-klasser (AutoModel -klassen)

  • Anpassning
  • Manuella justeringar
  • Stöder finjustering

Hugging Face Transformers AutoModel-klass med anpassningsalternativ

Introduktion till LLM:er i Python

LLM-livscykel

LLM-livscykel

Förträning

  • Bred data
  • Lär allmänna mönster
Introduktion till LLM:er i Python

LLM-livscykel

LLM-livscykel

Förträning                                                             Finjustering

  • Bred data                                                          Domänspecifik
  • Lär allmänna mönster                                       Specialiserade uppgifter
Introduktion till LLM:er i Python

Ladda en datamängd för finjustering

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(): laddar en datamängd från Hugging Face Hub
    • imdb: recensionsklassificering
Introduktion till LLM:er i Python

Auto-klasser

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Introduktion till LLM:er i Python

Tokenisering

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)
Introduktion till LLM:er i Python

Tokeniseringsutdata

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, ...
Introduktion till LLM:er i Python

Tokenisering rad för rad

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
})
Introduktion till LLM:er i Python

Deltokens-tokenisering

  • Vanligt i moderna tokeniserare
  • Ord delas upp i meningsfulla delar

 

Unbelievably

Introduktion till LLM:er i Python

Deltokens-tokenisering

  • Vanligt i moderna tokeniserare
  • Ord delas upp i meningsfulla delar

 

Unbelievably tokeniserat som un, believ, ably.

Introduktion till LLM:er i Python

Nu kör vi en övning!

Introduktion till LLM:er i Python

Preparing Video For Download...