flan alpaca lora

??? Flan-Alpaca-Lora: réglage des instructions des humains et des machines avec une adaptation de faible rang

Ce repo forme Google / Flan-T5 sur un ensemble de données Alpaca avec une méthode de formation d'adaptation de faible rang. Il réduit la mémoire GPU nécessaire et accélère l'entraînement.

17 juin 2023: Ajouter un cahier. Vous pouvez essayer Flan-Alpaca-Lora avec maintenant.

3 mai 2023: Train Flan-T5-XL à l'aide d'un ensemble de données Alpaca-GPT4.

13 avril 2023: Train Flan-T5-XL à l'aide d'un ensemble de données GPTeacher (Instruct and Roleplay), qui semble bien fonctionner.

5 avril 2023: Train Flan-T5-XXL en utilisant la quantification 8 bits. Le modèle peut être installé dans un seul GPU 3090. Tous les modèles peuvent être trouvés dans HuggingFace.

modèle	adaptateur_params	données	GPU	temps
Flan-alpaca-lora-base	0,9 m	Alpaga nettoyé	3090	20 minutes
Flan-Alpaca-Lora-Large	2,4 m	Alpaga nettoyé	3090	50 minutes
flan-alpaca-lora-xl	4,7 m	Alpaga nettoyé	3090	2,5 heures
flan-alpaca-lora-xxl	9.4m	Alpaga nettoyé	3090	10h
flan-gptacher-lora-xl	4,7 m	Gptacher	3090	80 minutes
flan-alpaca-gpt4-lora-xl	4,7 m	alpaga-gpt4	3090	3,25 heures

Dépendances

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

La nouvelle version de ces packages devrait bien fonctionner.

Entraînement

La commande de commande flantutune Flan-T5 suivante avec seulement 20 minutes sur un seul GPU 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

Exemple d'utilisation:

 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 ))