Подготовка к дообучению

Введение в LLM на Python

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Пайплайны и авто-классы

Пайплайны: pipeline()

  • Упрощают задачи
  • Автоматический выбор модели и токенизатора
  • Ограниченный контроль

Пайплайны Hugging Face Transformers

Авто-классы (класс AutoModel)

  • Настройка
  • Ручная конфигурация
  • Поддержка дообучения

Класс AutoModel из Hugging Face Transformers с параметрами настройки

Введение в LLM на Python

Жизненный цикл LLM

Жизненный цикл LLM

Предобучение

  • Широкие данные
  • Обучение общим паттернам
Введение в LLM на Python

Жизненный цикл LLM

Жизненный цикл LLM

Предобучение                                                             Дообучение

  • Широкие данные                                                          Узкая предметная область
  • Обучение общим паттернам                                       Специализированные задачи
Введение в LLM на Python

Загрузка набора данных для дообучения

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(): загружает набор данных из Hugging Face Hub
    • imdb: классификация отзывов
Введение в LLM на Python

Авто-классы

from transformers import AutoModel, AutoTokenizer

from transformers import AutoModelForSequenceClassification


model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
Введение в LLM на Python

Токенизация

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)
Введение в LLM на Python

Результат токенизации

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, ...
Введение в LLM на Python

Токенизация построчно

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
})
Введение в LLM на Python

Субсловная токенизация

  • Распространена в современных токенизаторах
  • Слова разбиваются на значимые подчасти

 

Unbelievably

Введение в LLM на Python

Субсловная токенизация

  • Распространена в современных токенизаторах
  • Слова разбиваются на значимые подчасти

 

Слово Unbelievably разбито на части: un, believ, ably.

Введение в LLM на Python

Давайте потренируемся!

Введение в LLM на Python

Preparing Video For Download...