#!/usr/bin/env python # -*- coding: utf-8 -*- import os from huggingface_hub import login import gradio as gr #from transformers import pipeline import torch from utils import * from presets import * from transformers import Trainer, TrainingArguments import numpy as np import evaluate import pandas as pd import sklearn from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score ##################################################### #Hilfsfunktionen für das Training ##################################################### #Datensets in den Tokenizer schieben... def tokenize_function(examples): return tokenizer(examples["text"]) #Funktion, die den gegebenen Text aus dem Datenset gruppiert def group_texts(examples): # Concatenate all texts. concatenated_examples = {k: sum(examples[k], []) for k in examples.keys()} total_length = len(concatenated_examples[list(examples.keys())[0]]) # We drop the small remainder, we could add padding if the model supported it instead of this drop, you can # customize this part to your needs. total_length = (total_length // block_size) * block_size # Split by chunks of max_len. result = { k: [t[i : i + block_size] for i in range(0, total_length, block_size)] for k, t in concatenated_examples.items() } result["labels"] = result["input_ids"].copy() return result ################################################################################### ################################################################################### #Access-Token (in Secrets) #aus den Secrets importieren (siehe Setting zu diesem Space) #login(token=os.environ["HF_ACCESS_TOKEN"]) #Modelle und Tokenizer #Alternativ mit beliebigen Modellen: #base_model = "project-baize/baize-v2-7b" #load_8bit = False (in load_tokenizer_and_model) #base_model = "TheBloke/airoboros-13B-HF" #load_8bit = False (in load_tokenizer_and_model) base_model = "EleutherAI/gpt-neo-1.3B" #load_8bit = False (in load_tokenizer_and_model) #base_model = "TheBloke/airoboros-13B-HF" #load_8bit = True tokenizer,model,device = load_tokenizer_and_model(base_model, False) #tokenizer.add_special_tokens({'pad_token': '[PAD]'}) #not necessary with fast Toekenizers like GPT2 dataset_neu = daten_laden("alexkueck/tis") #dataset_neu = daten_laden("EleutherAI/pile") ############################################# #Vorbereiten für das Training der neuen Daten ############################################# #alles zusammen auf das neue datenset anwenden - batched = True und 4 Prozesse, um die Berechnung zu beschleunigen. Die "text" - Spalte braucht man anschließend nicht mehr, daher weglassen. tokenized_datasets = dataset_neu.map(tokenize_function, batched=True, num_proc=4, remove_columns=["id","text"]) #wenn man zum Trainieren erstmal nur einen kleinen Datensatz nehem möchte: #small_train_dataset = tokenized_datasets["train"].shuffle(seed=42).select(range(1000)) #small_eval_dataset = tokenized_datasets["test"].shuffle(seed=42).select(range(1000)) print (tokenized_datasets["train"][4]) #den Text nun zusammenführen (concatenieren) und anschließend in kleine Häppchen aufteilen (block_size=128), die verarbeitet werden können #das macht die map-Funktion und das Attribut batched = True #man könnte das weglassen, wenn jeder Satz einzeln gegeben wurde in den Texten... #eigentlich nimmt man als block_size die max. Länge in der das Model trainiert wurde -> könnte aber zu groß sein für den RAm der GPU , daher hier 128 gewählt # block_size = tokenizer.model_max_length block_size = 128 #nochmal die map-Funktion auf das bereits tokenisierte Datenset anwenden #die bereits tokenisierten Datensatze ändern sich dadurch: die samples enthalten nun Mengen aus block_size Tokens lm_datasets = tokenized_datasets.map( group_texts, batched=True, batch_size=1000, num_proc=4, ) print ("lm datasets") #die Daten wurden nun "gereinigt" und für das Model vorbereitet. #z.B. anschauen mit: tokenizer.decode(lm_datasets["train"][1]["input_ids"]) #################################################### #Training #################################################### #Training Args batch_size = 2 training_args = TrainingArguments( output_dir="alexkueck/test-tis-1", overwrite_output_dir = 'True', per_device_train_batch_size=batch_size, #batch_size = 2 for full training per_device_eval_batch_size=batch_size, evaluation_strategy = "epoch", #oder steps learning_rate=2e-5, weight_decay=0.01, save_total_limit = 2, #predict_with_generate=True, #logging_steps=2, # set to 1000 for full training #save_steps=16, # set to 500 for full training #eval_steps=4, # set to 8000 for full training #warmup_steps=1, # set to 2000 for full training #max_steps=16, # delete for full training # overwrite_output_dir=True, #save_total_limit=1, #fp16=True, save_strategy = "no", load_best_model_at_end=False, #push_to_hub=True, ) print ("training args") ############################################ #def trainieren_neu(name): #Trainer zusammenstellen trainer = Trainer( model=model, args=training_args, train_dataset=lm_datasets["train"], eval_dataset=lm_datasets["test"], #tokenizer=tokenizer, #compute_metrics=compute_metrics, ) print ("trainer") #trainer ausführen trainer.train() #Wenn man vom letzten checkpoint aus weiter trainieren möchte: trainer.train(resume_from_checkpoint=True) print("trained!!!!!") #in den Hub laden #trainer.push_to_hub("test-tis", use_auth_token=True) ################## #Evaluate the new Model print("Evaluate:") trainer.evaluate() print("Done Eval") ############################ #Test ############################ print("Test") text = "Was ist Tis?" ''' encoding = tokenizer(text, return_tensors="pt") encoding = {k: v.to(trainer.model.device) for k,v in encoding.items()} outputs = trainer.model(**encoding) logits = outputs.logits print(logits.shape) #greedy_output = model.generate(input_ids, max_length=50) print("Output:\n" ) #print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ''' print("Save to Space") #trainer.save_model("alexkueck/test-tis-1") print("done") ''' ##################################### #Push to Hub print("push to hub") login(token=os.environ["HF_WRITE_TOKEN"]) trainer.push_to_hub("test-tis-1") print("done") ''' ############################################## #Testen des fine-tuned Modells print("Predict") model_neu = "test-tis-1" tokenizer_neu,model_neu, device_neu = load_tokenizer_and_model(model_neu, False) antwort = predict(model_neu, tokenizer_neu, device_neu, "Was ist Tis?", [["Tis", ""]], top_p=5, temperature=0.8, max_length_tokens=1024, max_context_length_tokens=2048,) print(antwort) print("done Predict") ####################################################################### #Darstellung mit Gradio ''' with gr.Blocks() as demo: name = gr.Textbox(label="Model") output = gr.Textbox(label="Output Box") start_btn = gr.Button("Start") start_btn.click(fn=trainieren_neu, inputs=name, outputs=output, api_name="trainieren_neu") demo.queue(default_enabled=True).launch(debug=True) '''