Попередня обробка даних для донавчання

Тонке налаштування з Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Використання наборів даних для донавчання

  • Якість даних — ключова

  • Тренувальна вибірка:

    • Для навчання моделі
    • Більша частина даних

Схема набору даних із тренувальною вибіркою.

Тонке налаштування з Llama 3

Використання наборів даних для донавчання

  • Якість даних — ключова

  • Тренувальна вибірка:

    • Для навчання моделі
    • Більша частина даних
  • Валідаційна вибірка:
    • Для вибору найкращої версії моделі

Схема тренувальної та валідаційної вибірок.

Тонке налаштування з Llama 3

Використання наборів даних для донавчання

  • Якість даних — ключова

  • Тренувальна вибірка:

    • Для навчання моделі
    • Більша частина даних
  • Валідаційна вибірка:
    • Для вибору найкращої версії моделі
  • Тестова вибірка:
    • Для оцінювання якості моделі

Схема тренувальної, валідаційної та тестової вибірок.

Тонке налаштування з Llama 3

Підготовка даних за допомогою бібліотеки datasets

 

  • Бібліотека Datasets
  • Попередня обробка
  • Розбиття
  • Завантаження
  • Керування пам'яттю

Діаграма потоку даних: з набору даних у бібліотеку datasets, де є 3 зелені блоки — preprocessing, loading/managing data та integrations; далі стрілка до виходу — підготовлені дані.

Тонке налаштування з Llama 3

Завантаження набору даних служби підтримки

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']
Тонке налаштування з Llama 3

Огляд даних

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."}
Тонке налаштування з Llama 3

Фільтрування набору даних

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)
Тонке налаштування з Llama 3

Попередня обробка набору даних

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.
Тонке налаштування з Llama 3

Збереження попередньо обробленого набору даних

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")
Тонке налаштування з Llama 3

Використання наборів даних Hugging Face з TorchTune

 

  • Можна використовувати набори даних Hugging Face з TorchTune
  • Задайте шлях до набору даних і конфігурації

 

tune run full_finetune_single_device --config llama3/8B_full_single_device \
dataset=preprocessed_dataset dataset.split=train
Тонке налаштування з Llama 3

Давайте потренуємось!

Тонке налаштування з Llama 3

Preparing Video For Download...