File size: 4,154 Bytes
24d52a5 1a6df59 24d52a5 0fc1370 18cc9b0 24d52a5 0fc1370 24d52a5 1a6df59 24d52a5 940ac51 24d52a5 940ac51 24d52a5 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 |
---
datasets:
- dominguesm/alpaca-data-pt-br
library_name: adapter-transformers
pipeline_tag: text-generation
language:
- pt
- en
thumbnail: https://blog.cobasi.com.br/wp-content/uploads/2022/08/AdobeStock_461738919.webp
---
<!-- header start -->
<div style="width: 100%;">
<img src="https://blog.cobasi.com.br/wp-content/uploads/2022/08/AdobeStock_461738919.webp" alt="Caramelo" style="width: 100%; min-width: 400px; display: block; margin: auto;">
</div>
<!-- header end -->
# CARAMELO
## Adapter Description
This adapter was created with the [PEFT](https://github.com/huggingface/peft) library and allowed the base model **Falcon-7b** to be fine-tuned on the **https://huggingface.co/datasets/dominguesm/alpaca-data-pt-br** by using the method **QLoRA**.
## Model description
[Falcon 7B](https://huggingface.co/tiiuae/falcon-7b)
## Intended uses & limitations
TBA
## Training and evaluation data
TBA
### Training results
### How to use
```py
from peft import PeftModel, PeftConfig
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, GenerationConfig
peft_model_id = "Bruno/Caramelo_7B"
config = PeftConfig.from_pretrained(peft_model_id)
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.float16,
)
tokenizer = AutoTokenizer.from_pretrained(peft_model_id)
model = AutoModelForCausalLM.from_pretrained(config.base_model_name_or_path,
return_dict=True,
quantization_config=bnb_config,
trust_remote_code=True,
device_map={"": 0})
prompt_input = "Abaixo está uma declaração que descreve uma tarefa, juntamente com uma entrada que fornece mais contexto. Escreva uma resposta que conclua corretamente a solicitação.\n\n ### Instrução:\n{instruction}\n\n### Entrada:\n{input}\n\n### Resposta:\n"
prompt_no_input = "Abaixo está uma instrução que descreve uma tarefa. Escreva uma resposta que conclua corretamente a solicitação.\n\n### Instrução:\n{instruction}\n\n### Resposta:\n"
def create_prompt(instruction, input=None):
if input:
return prompt_input.format(instruction=instruction, input=input)
else:
return prompt_no_input.format(instruction=instruction)
def generate(
instruction,
input=None,
max_new_tokens=128,
temperature=0.1,
top_p=0.75,
top_k=40,
num_beams=4,
repetition_penalty=1.5,
max_length=512
):
prompt = create_prompt(instruction, input)
inputs = tokenizer.encode_plus(prompt, return_tensors="pt", truncation=True, max_length=max_length, padding="longest")
input_ids = inputs["input_ids"].to("cuda")
attention_mask = inputs["attention_mask"].to("cuda")
generation_output = model.generate(
input_ids=input_ids,
attention_mask=attention_mask,
max_length=max_length,
pad_token_id=tokenizer.pad_token_id,
eos_token_id=tokenizer.eos_token_id,
temperature=temperature,
top_p=top_p,
top_k=top_k,
num_beams=num_beams,
repetition_penalty=repetition_penalty,
length_penalty=0.8,
early_stopping=True,
output_scores=True,
return_dict_in_generate=True
)
output = tokenizer.decode(generation_output.sequences[0], skip_special_tokens=True)
return output.split("### Resposta:")[1]
instruction = "como faço um bolo de cenoura?"
print(Instrução:", instruction)
print("Resposta:", generate(instruction))
### Saída
Instrução: como faço um bolo de cenoura?
Resposta:
1. Pegue uma cenoura e corte-a em pedaços pequenos.
2. Coloque os pedaços de cenoura em uma panela e cozinhe por 10 minutos.
3. Retire a cenoura da panela e deixe-a esfriar.
4. Coloque a cenoura em uma bolsa de plástico e congele.
5. Quando precisar, coloque a cenoura congelada na máquina de bolo.
### Framework versions
- Transformers 4.30.0.dev0
- Pytorch 2.0.1+cu118
- Datasets 2.12.0
- Tokenizers 0.13.3
|