Förbehandling av data inför finjustering

Finjustering med Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Datamängder för finjustering

  • Datakvaliteten är avgörande

  • Träningsset:

    • För modellträning
    • Merparten av datan

Diagram över en datamängd med ett träningsset.

Finjustering med Llama 3

Datamängder för finjustering

  • Datakvaliteten är avgörande

  • Träningsset:

    • För modellträning
    • Merparten av datan
  • Valideringsset:
    • För att välja den bästa modellversionen

Diagram över ett tränings- och valideringsset.

Finjustering med Llama 3

Datamängder för finjustering

  • Datakvaliteten är avgörande

  • Träningsset:

    • För modellträning
    • Merparten av datan
  • Valideringsset:
    • För att välja den bästa modellversionen
  • Testset:
    • För att utvärdera modellens prestanda

Diagram över ett tränings-, validerings- och testset.

Finjustering med Llama 3

Förbereda data med datasets-biblioteket

 

  • Datasets-biblioteket
  • Förbehandling
  • Delning
  • Inläsning
  • Minneshantering

Ett diagram över dataflödet: data flödar in i datasets-biblioteket, som visar tre gröna rutor för förbehandling, inläsning/hantering av data och integrationer, följt av en pil mot utdata i form av en ruta med förberedd data.

Finjustering med Llama 3

Läsa in en kundtjänstdatamängd

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']
Finjustering med Llama 3

En titt på datan

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."}
Finjustering med Llama 3

Filtrera datamängden

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)
Finjustering med Llama 3

Förbehandla datamängden

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.
Finjustering med Llama 3

Spara den förbehandlade datamängden

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")
Finjustering med Llama 3

Använda Hugging Face-datamängder med TorchTune

 

  • Hugging Face-datamängder kan användas med TorchTune
  • Ange en datasetsökväg och konfigurationer

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Finjustering med Llama 3

Nu kör vi en övning!

Finjustering med Llama 3

Preparing Video For Download...