flan alpaca lora

??? flan-alpaca-lora: penyetelan instruksi dari manusia dan mesin dengan adaptasi peringkat rendah

Repo ini melatih Google/Flan-T5 pada dataset Alpaca dengan metode pelatihan adaptasi rendah. Ini mengurangi memori GPU yang dibutuhkan dan mempercepat pelatihan.

17 Juni 2023: Tambahkan buku catatan. Anda dapat mencoba Flan-Alpaca-Lora dengan sekarang.

3 Mei 2023: Latih Flan-T5-XL menggunakan dataset ALPACA-GPT4.

13 Apr 2023: Latih Flan-T5-XL menggunakan dataset GPTEACHER (Instruksi dan Roleplay), yang tampaknya berkinerja baik.

5 Apr 2023: Latih Flan-T5-XXL menggunakan kuantisasi 8bit. Model dapat dipasang ke dalam GPU 3090 tunggal. Semua model dapat ditemukan di tempat pelukan.

model	adapter_params	data	GPU	waktu
flan-alpaca-lora-base	0,9m	Alpaca dibersihkan	3090	20 menit
Flan-Alpaca-Lora-Large	2.4m	Alpaca dibersihkan	3090	50 menit
FLAN-ALPACA-LORA-XL	4.7m	Alpaca dibersihkan	3090	2.5 jam
FLAN-ALPACA-LORA-XXL	9.4m	Alpaca dibersihkan	3090	10 jam
Flan-Gpteacher-Lora-Xl	4.7m	GPTEACHER	3090	80 menit
Flan-Alpaca-Gpt4-Lora-Xl	4.7m	Alpaca-GPT4	3090	3.25 jam

Dependensi

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

Versi terbaru dari paket ini harus berfungsi dengan baik.

Pelatihan

Perintah berikut FINETUNE FLAN-T5-BASE dengan hanya 20 menit pada GPU 3090 tunggal

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

Contoh Penggunaan:

 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 ))