flan alpaca lora

?

Dieses Repo trainiert Google/FLAN-T5 auf dem Alpaca-Datensatz mit einer Anpassungsmethode mit niedriger Anpassung. Es reduziert den benötigten GPU -Speicher und beschleunigt das Training.

17. Juni 2023: Fügen Sie ein Notizbuch hinzu. Sie können Flan-Alpaca-Lora jetzt versuchen.

3. Mai 2023: Zugflan-T5-XL mit Alpaca-GPT4-Datensatz.

13. April 2023: Zugflan-T5-XL mit dem GPTEacher-Datensatz (Anweisungen und Rollenspiel), was gut zu funktionieren scheint.

5. April 2023: Zugflan-T5-XXL mit 8-Bit-Quantisierung. Das Modell kann in eine einzelne 3090 GPU eingebaut werden. Alle Modelle finden Sie im Umarmungsfeld.

Modell	adapter_params	Daten	GPU	Zeit
Flan-Alpaca-Lora-Base	0,9 m	Alpaka gereinigt	3090	20 Minuten
Flan-Alpaca-Lora-Large	2,4 m	Alpaka gereinigt	3090	50 Minuten
Flan-Alpaca-Lora-xl	4,7 m	Alpaka gereinigt	3090	2,5 Stunden
Flan-Alpaca-Lora-xxl	9,4 m	Alpaka gereinigt	3090	10 Stunden
Flan-Gptacher-Lora-XL	4,7 m	Gpteigner	3090	80 Minuten
Flan-Alpaca-GPT4-LORA-XL	4,7 m	Alpaka-GPT4	3090	3,25 Stunden

Abhängigkeiten

 torch == 1.13.1
transformers == 4.29.1
peft == 0.3.0
bitsandbytes==0.38.1
accelerate==0.19.0

Die neueste Version dieser Pakete sollte gut funktionieren.

Ausbildung

Die folgenden Befehlsfonetune Flan-T5-Base mit nur 20 Minuten auf einer einzelnen 3090 GPU

python train.py 
    --model_name_or_path google/flan-t5-base 
    --data_path ./alpaca_data_cleaned.json 
    --bf16 True 
    --output_dir ./ckpts/ 
    --num_train_epochs 3 
    --per_device_train_batch_size 8 
    --gradient_accumulation_steps 8 
    --evaluation_strategy " no " 
    --save_strategy " no " 
    --learning_rate 5e-4 
    --weight_decay 0. 
    --warmup_ratio 0.03 
    --lr_scheduler_type " cosine " 
    --logging_steps 50 
    --tf32 True

Beispiel Verwendung:

 import transformers
from peft import PeftModel

# Where peft_model_id should be the saving directory or huggingface model id
model_name = "google/flan-t5-large" ; peft_model_id = "reasonwang/flan-alpaca-lora-large"
tokenizer = transformers . AutoTokenizer . from_pretrained ( model_name )
base_model = transformers . AutoModelForSeq2SeqLM . from_pretrained ( model_name )
peft_model = PeftModel . from_pretrained ( base_model , peft_model_id )

# Input an instruction or any other questions.
inputs = tokenizer ( "List a few tips to get good scores in math." , return_tensors = "pt" )
outputs = peft_model . generate ( ** inputs , max_length = 128 , do_sample = True )
print ( tokenizer . batch_decode ( outputs , skip_special_tokens = True ))