flan alpaca lora

?

Este repositorio entrena Google/Flan-T5 en el conjunto de datos Alpaca con método de entrenamiento de adaptación de bajo rango. Reduce la memoria de GPU necesaria y acelera el entrenamiento.

17 de junio de 2023: Agregue un cuaderno. Puedes probar Flan-Alpaca-Lora ahora.

3 de mayo de 2023: Train flan-t5-xl usando el conjunto de datos Alpaca-GPT4.

13 de abril de 2023: Train flan-t5-xl usando el conjunto de datos GPteacher (instructo y juego de rol), que parece funcionar bien.

5 de abril de 2023: Tren Flan-T5-XXL usando cuantización de 8 bits. El modelo se puede instalar en una sola GPU 3090. Todos los modelos se pueden encontrar en Huggingface.

modelo	adaptador_params	datos	GPU	tiempo
flan-alpaca-lora-base	0.9m	Alpaca limpiada	3090	20 minutos
flan-alpaca-lora-grande	2.4m	Alpaca limpiada	3090	50 minutos
flan-alpaca-lora-xl	4.7m	Alpaca limpiada	3090	2.5 horas
flan-alpaca-lora-xxl	9.4m	Alpaca limpiada	3090	10 horas
flan-gpteacher-lora-xl	4.7m	GpTeacher	3090	80 minutos
flan-alpaca-gpt4-lora-xl	4.7m	Alpaca-GPT4	3090	3.25 horas

Dependencias

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

La versión más nueva de estos paquetes debería funcionar bien.

Capacitación

El siguiente comando Finetune flan-t5-base con solo 20 minutos en una sola GPU de 3090

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

Ejemplo de uso:

 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 ))