Preprocesarea datelor pentru fine-tuning

Fine-Tuning cu Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Utilizarea seturilor de date pentru fine-tuning

  • Calitatea datelor este esențială

  • Set de antrenament:

    • Pentru antrenarea modelului
    • Majoritatea datelor

Diagramă a unui set de date cu setul de antrenament.

Fine-Tuning cu Llama 3

Utilizarea seturilor de date pentru fine-tuning

  • Calitatea datelor este esențială

  • Set de antrenament:

    • Pentru antrenarea modelului
    • Majoritatea datelor
  • Set de validare:
    • Pentru selectarea celei mai bune versiuni a modelului

Diagramă a setului de antrenament și a setului de validare.

Fine-Tuning cu Llama 3

Utilizarea seturilor de date pentru fine-tuning

  • Calitatea datelor este esențială

  • Set de antrenament:

    • Pentru antrenarea modelului
    • Majoritatea datelor
  • Set de validare:
    • Pentru selectarea celei mai bune versiuni a modelului
  • Set de testare:
    • Pentru evaluarea performanței modelului

Diagramă a setului de antrenament, a setului de validare și a setului de testare.

Fine-Tuning cu Llama 3

Pregătirea datelor cu biblioteca datasets

 

  • Biblioteca Datasets
  • Preprocesare
  • Divizare
  • Încărcare
  • Gestionare memorie

Diagramă a fluxului de date, de la setul de date către biblioteca datasets, cu 3 casete verzi pentru preprocesare, încărcare/gestionare date și integrări, urmate de o săgeată către rezultat — o casetă cu date pregătite.

Fine-Tuning cu Llama 3

Încărcarea unui set de date pentru servicii clienți

from datasets import load_dataset

ds = load_dataset(
    'bitext/Bitext-customer-support-llm-chatbot-training-dataset',

    split="train"

)

print(ds.column_names)

['flags', 'instruction', 'category', 'intent', 'response']
Fine-Tuning cu Llama 3

Explorarea datelor

import pprint
pprint.pprint(ds[0])

{'category': 'ORDER',
 'flags': 'B',
 'instruction': 'question about cancelling order {{Order Number}}',
 'intent': 'cancel_order',
 'response': "I've understood you have a question regarding canceling order "
             "{{Order Number}}, and I'm here to provide you with the "
             'information you need. Please go ahead and ask your question, and '
             "I'll do my best to assist you."}
Fine-Tuning cu Llama 3

Filtrarea setului de date

from datasets import load_dataset, Dataset

ds = load_dataset(
    'bitext/Bitext-customer-support-llm-chatbot-training-dataset',
    split="train")

print(ds.shape)

(26872, 5)

first_thousand_points = ds[:1000]

ds = Dataset.from_dict(first_thousand_points)
Fine-Tuning cu Llama 3

Preprocesarea setului de date

def merge_example(row):

    row['conversation'] = f"Query: {row['instruction']}\nResponse: {row['response']}"
    return row

ds = ds.map(merge_example)

print(ds[0]['conversation'])

Query: question about cancelling order {{Order Number}}
Response: I've understood you have a question regarding canceling order {{Order Number}}, 
and I'm here to provide you with the information you need. Please go ahead and ask your 
question, and I'll do my best to assist you.
Fine-Tuning cu Llama 3

Salvarea setului de date preprocesat

ds.save_to_disk("preprocessed_dataset")

Saving the dataset (1/1 shards): 100%
26872/26872 [00:00<00:00, 383823.33 examples/s]

from datasets import load_from_disk
ds_preprocessed = load_from_disk("preprocessed_dataset")
Fine-Tuning cu Llama 3

Utilizarea seturilor de date Hugging Face cu TorchTune

 

  • Se poate utiliza un set de date Hugging Face cu TorchTune
  • Setați calea și configurațiile setului de date

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Fine-Tuning cu Llama 3

Să exersăm!

Fine-Tuning cu Llama 3

Preparing Video For Download...