Предобработка данных для дообучения

Файн-тюнинг с Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Использование наборов данных для дообучения

  • Качество данных — ключевой фактор

  • Обучающая выборка:

    • Для обучения модели
    • Большая часть данных

Диаграмма набора данных с обучающей выборкой.

Файн-тюнинг с Llama 3

Использование наборов данных для дообучения

  • Качество данных — ключевой фактор

  • Обучающая выборка:

    • Для обучения модели
    • Большая часть данных
  • Валидационная выборка:
    • Для выбора лучшей версии модели

Диаграмма обучающей и валидационной выборок.

Файн-тюнинг с Llama 3

Использование наборов данных для дообучения

  • Качество данных — ключевой фактор

  • Обучающая выборка:

    • Для обучения модели
    • Большая часть данных
  • Валидационная выборка:
    • Для выбора лучшей версии модели
  • Тестовая выборка:
    • Для оценки производительности модели

Диаграмма обучающей, валидационной и тестовой выборок.

Файн-тюнинг с Llama 3

Подготовка данных с помощью библиотеки datasets

 

  • Библиотека datasets
  • Предобработка
  • Разбивка
  • Загрузка
  • Управление памятью

Диаграмма потока данных: набор данных поступает в библиотеку datasets, где показаны три зелёных блока — предобработка, загрузка и управление данными, интеграции — со стрелкой к результату в виде блока с подготовленными данными.

Файн-тюнинг с Llama 3

Загрузка набора данных для службы поддержки

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']
Файн-тюнинг с Llama 3

Просмотр данных

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."}
Файн-тюнинг с Llama 3

Фильтрация набора данных

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)
Файн-тюнинг с Llama 3

Предобработка набора данных

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.
Файн-тюнинг с Llama 3

Сохранение подготовленного набора данных

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")
Файн-тюнинг с Llama 3

Использование наборов данных Hugging Face с TorchTune

 

  • Набор данных Hugging Face совместим с TorchTune
  • Укажите путь к набору данных и параметры конфигурации

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Файн-тюнинг с Llama 3

Давайте потренируемся!

Файн-тюнинг с Llama 3

Preparing Video For Download...