e5 mistral 7b instruct

E5-Mistral-7b-Instruct

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

Prepare dados

Execute prepare_dataset para criar um conjunto de dados de similaridade com um par positivo e negativo do SNLI.

python prepare_dataset.py

Executar modelo

Defina a pasta de cache do modelo export TRANSFORMERS_CACHE=.cache/

Primeiro, execute accelerate config --config_file ds_zero3_cpu.yaml

Verifique o arquivo de amostra para uma única GPU aqui

Abaixo, o parâmetro determinado é retirado do artigo para o Finetuning. Ajuste a conclusão do seu conjunto de dados e USECASE.

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

Função de perda copiada daqui-> https://github.com/relbers/info---nnce-pytorch