e5 mistral 7b instruct

E5-Mistral-7B-Istruct

docker build -t pytorch . 

docker run --gpus=all --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 -it --rm -v $( pwd ) :/e5-mistral-7b-instruct/ pytorch bash

Préparer les données

Exécutez prepare_dataset pour créer un ensemble de données de similitude avec une paire postive et négative à partir de SNLI.

python prepare_dataset.py

Modèle de course

Définissez le dossier de cache de modèle export TRANSFORMERS_CACHE=.cache/

Tout d'abord, exécutez accelerate config --config_file ds_zero3_cpu.yaml

Vérifiez l'exemple de fichier pour un seul GPU ici

Ci-dessous, le paramètre donné est tiré du papier pour les finetuning. Ajustez l'exécution de votre ensemble de données et de votre USECCASE.

accelerate launch 
    --config_file ds_zero3_cpu.yaml 
    peft_lora_embedding_semantic_search.py 
    --dataset_name similarity_dataset 
    --max_length 512 
    --model_name_or_path intfloat/e5-mistral-7b-instruct 
    --per_device_train_batch_size 1 
    --per_device_eval_batch_size 1 
    --learning_rate 0.0001 
    --weight_decay 0.01 
    --max_train_steps 1000 
    --gradient_accumulation_steps 2048 
    --lr_scheduler_type linear 
    --num_warmup_steps 100 
    --output_dir trained_model 
    --use_peft

Fonction de perte copiée d'ici -> https://github.com/relbers/info-nce-pytorch