![]() |
![]() |
|
![]() |
In dieser Anleitung wird gezeigt, wie Sie das 2B-Instruct-Modell RecurrentGemma für eine englische-französische Übersetzungsaufgabe mithilfe der recurrentgemma
-Bibliothek von Google DeepMind, JAX (eine leistungsstarke Bibliothek für numerische Berechnungen), Flax (die JAX-basierte Bibliothek für neuronale Netze), Chex (eine Bibliothek mit Dienstprogrammen zum Schreiben zuverlässigen JAX-Codes), Optax (die JAX-basierte Bibliothek für die Gradientenverarbeitung und -optimierung) und den MTNT-Datensatz (Machine Translation of Noisy Text) optimieren. Flax wird in diesem Notizbuch zwar nicht direkt verwendet, aber es wurde verwendet, um Gemma zu erstellen.
Die recurrentgemma
-Bibliothek wurde mit JAX, Flax, Orbax (eine JAX-basierte Bibliothek für Trainingstools wie das Checkpointing) und SentencePiece (eine Tokenizer-/Detokenizer-Bibliothek) geschrieben.
Dieses Notebook kann in Google Colab mit der T4-GPU ausgeführt werden. Gehen Sie dazu zu Bearbeiten > Notebook-Einstellungen und wählen Sie unter Hardwarebeschleuniger die Option T4-GPU aus.
Einrichtung
In den folgenden Abschnitten wird beschrieben, wie Sie ein Notebook für die Verwendung eines RecurrentGemma-Modells vorbereiten, einschließlich des Zugriffs auf das Modell, des Abrufens eines API-Schlüssels und der Konfiguration der Notebook-Laufzeit.
Kaggle-Zugriff für Gemma einrichten
Für diese Anleitung müssen Sie zuerst der Einrichtungsanleitung folgen, die der Gemma-Einrichtung ähnelt, mit einigen Ausnahmen:
- Sie können auf kaggle.com auf RecurrentGemma (anstelle von Gemma) zugreifen.
- Wählen Sie eine Colab-Laufzeit mit ausreichenden Ressourcen für die Ausführung des RecurrentGemma-Modells aus.
- Erstellen und konfigurieren Sie einen Kaggle-Nutzernamen und einen API-Schlüssel.
Nachdem Sie die RecurrentGemma-Einrichtung abgeschlossen haben, fahren Sie mit dem nächsten Abschnitt fort, in dem Sie Umgebungsvariablen für Ihre Colab-Umgebung festlegen.
Umgebungsvariablen festlegen
Legen Sie Umgebungsvariablen für KAGGLE_USERNAME
und KAGGLE_KEY
fest. Wenn Sie die Meldung „Zugriff gewähren?“ sehen, stimmen Sie zu, den geheimen Zugriff zu gewähren.
import os
from google.colab import userdata # `userdata` is a Colab API.
os.environ["KAGGLE_USERNAME"] = userdata.get('KAGGLE_USERNAME')
os.environ["KAGGLE_KEY"] = userdata.get('KAGGLE_KEY')
recurrentgemma
-Bibliothek installieren
Die kostenlose Colab-Hardwarebeschleunigung reicht derzeit insufficient, um dieses Notebook auszuführen. Wenn Sie Colab Pay As You Go oder Colab Pro verwenden, klicken Sie auf Bearbeiten > Notebook-Einstellungen > wählen Sie A100 GPU > Speichern aus, um die Hardwarebeschleunigung zu aktivieren.
Als Nächstes müssen Sie die Google DeepMind-Bibliothek recurrentgemma
von github.com/google-deepmind/recurrentgemma
installieren. Wenn Sie eine Fehlermeldung zum „Abhängigkeitsresolver von pip“ erhalten, können Sie sie in der Regel ignorieren.
pip install -q git+https://github.com/google-deepmind/recurrentgemma.git
Bibliotheken importieren
In diesem Notebook werden Flax (für neuronale Netze), JAX, SentencePiece (für die Tokenisierung), Chex (eine Bibliothek mit Dienstprogrammen zum Schreiben zuverlässigen JAX-Codes), Optax (die Bibliothek für die Gradientenverarbeitung und -optimierung) und TensorFlow-Datasets verwendet.
import pathlib
from typing import Any, Mapping, Iterator
import enum
import functools
import chex
import jax
import jax.numpy as jnp
import optax
import tensorflow as tf
import tensorflow_datasets as tfds
import sentencepiece as spm
from recurrentgemma import jax as recurrentgemma
RecurrentGemma-Modell laden
- Laden Sie das RecurrentGemma-Modell mit
kagglehub.model_download
, das drei Argumente annimmt:
handle
: Der Modell-Handle von Kagglepath
: (Optionaler String) Der lokale Pfadforce_download
: (Optionaler boolescher Wert) Erzwingt das erneute Herunterladen des Modells.
RECURRENTGEMMA_VARIANT = '2b-it' # @param ['2b', '2b-it'] {type:"string"}
import kagglehub
RECURRENTGEMMA_PATH = kagglehub.model_download(f'google/recurrentgemma/flax/{RECURRENTGEMMA_VARIANT}')
Downloading from https://www.kaggle.com/api/v1/models/google/recurrentgemma/flax/2b-it/1/download... 100%|██████████| 3.85G/3.85G [00:50<00:00, 81.5MB/s] Extracting model files...
print('RECURRENTGEMMA_VARIANT:', RECURRENTGEMMA_VARIANT)
RECURRENTGEMMA_VARIANT: 2b-it
- Prüfen Sie den Speicherort der Modellgewichte und des Tokenizers und legen Sie dann die Pfadvariablen fest. Das Verzeichnis „tokenizer“ befindet sich im Hauptverzeichnis, in das Sie das Modell heruntergeladen haben, während sich die Modellgewichte in einem Unterverzeichnis befinden. Beispiel:
- Die Datei
tokenizer.model
befindet sich in/LOCAL/PATH/TO/recurrentgemma/flax/2b-it/1
. - Der Modell-Checkpoint befindet sich unter
/LOCAL/PATH/TO/recurrentgemma/flax/2b-it/1/2b-it
.
CKPT_PATH = os.path.join(RECURRENTGEMMA_PATH, RECURRENTGEMMA_VARIANT)
TOKENIZER_PATH = os.path.join(RECURRENTGEMMA_PATH, 'tokenizer.model')
print('CKPT_PATH:', CKPT_PATH)
print('TOKENIZER_PATH:', TOKENIZER_PATH)
CKPT_PATH: /root/.cache/kagglehub/models/google/recurrentgemma/flax/2b-it/1/2b-it TOKENIZER_PATH: /root/.cache/kagglehub/models/google/recurrentgemma/flax/2b-it/1/tokenizer.model
MTNT-Dataset und Gemma-Tokenisierer laden und vorbereiten
Sie verwenden das Dataset MTNT (Machine Translation of Noisy Text), das in TensorFlow Datasets verfügbar ist.
Laden Sie den Teil des MTNT-Datasets mit den Übersetzungen von Englisch nach Französisch herunter und sehen Sie sich zwei Beispiele an. Jedes Beispiel im Dataset enthält zwei Einträge: src
: den ursprünglichen englischen Satz und dst
: die entsprechende französische Übersetzung.
ds = tfds.load("mtnt/en-fr", split="train")
ds = ds.take(2)
ds = ds.as_numpy_iterator()
for idx, example in enumerate(ds):
print(f'Example {idx}:')
for key, val in example.items():
print(f'{key}: {val}')
print()
Downloading and preparing dataset 35.08 MiB (download: 35.08 MiB, generated: 11.33 MiB, total: 46.41 MiB) to /root/tensorflow_datasets/mtnt/en-fr/1.0.0... Dl Completed...: 0 url [00:00, ? url/s] Dl Size...: 0 MiB [00:00, ? MiB/s] Extraction completed...: 0 file [00:00, ? file/s] Generating splits...: 0%| | 0/3 [00:00<?, ? splits/s] Generating train examples...: 0%| | 0/35692 [00:00<?, ? examples/s] Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incompleteJLH33K/mtnt-train.tfrecord*...: 0%| … Generating test examples...: 0%| | 0/1020 [00:00<?, ? examples/s] Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incompleteJLH33K/mtnt-test.tfrecord*...: 0%| |… Generating valid examples...: 0%| | 0/811 [00:00<?, ? examples/s] Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incompleteJLH33K/mtnt-valid.tfrecord*...: 0%| … Dataset mtnt downloaded and prepared to /root/tensorflow_datasets/mtnt/en-fr/1.0.0. Subsequent calls will reuse this data. Example 0: dst: b'Le groupe de " toutes les \xc3\xa9toiles potentielles de la conf\xc3\xa9rence de l\'Est mais qui ne s\'en sortent pas dans le groupe de l\'Ouest ".' src: b'The group of \xe2\x80\x9ceastern conference potential all stars but not making it in the West\xe2\x80\x9d group.' Example 1: dst: b"Kameron est-elle un peu aigrie de son manque de temps \xc3\xa0 l'\xc3\xa9cran ?" src: b'Is Kameron a Little Salty About Her Lack of Air Time?'
Laden Sie den Gemma-Tokenisierer, der mit sentencepiece.SentencePieceProcessor
erstellt wurde:
vocab = spm.SentencePieceProcessor()
vocab.Load(TOKENIZER_PATH)
True
Passen Sie die SentencePieceProcessor
für die Übersetzungsaufgabe von Englisch nach Französisch an. Da Sie den englischen Teil des RecurrentGemma-Modells (Griffin) optimieren werden, müssen Sie einige Anpassungen vornehmen, z. B.:
Eingabepräfix: Wenn Sie jeder Eingabe ein gemeinsames Präfix hinzufügen, wird die Übersetzungsaufgabe signalisiert. Sie können beispielsweise einen Prompt mit einem Präfix wie
Translate this into French: [INPUT_SENTENCE]
verwenden.Suffix für den Beginn der Übersetzung: Wenn Sie am Ende jedes Prompts ein Suffix hinzufügen, wird dem Gemma-Modell genau mitgeteilt, wann der Übersetzungsprozess beginnen soll. Ein neuer Absatz sollte ausreichen.
Language-Model-Token: RecurrentGemma-Modelle (Griffin) erwarten am Anfang jeder Sequenz ein Token vom Typ „Beginn der Sequenz“. Ebenso müssen Sie am Ende jedes Trainingsbeispiels ein Token für das Ende der Sequenz hinzufügen.
Erstelle einen benutzerdefinierten Wrapper um die SentencePieceProcessor
herum:
class GriffinTokenizer:
"""A custom wrapper around a SentencePieceProcessor."""
def __init__(self, spm_processor: spm.SentencePieceProcessor):
self._spm_processor = spm_processor
@property
def pad_id(self) -> int:
"""Fast access to the pad ID."""
return self._spm_processor.pad_id()
def tokenize(
self,
example: str | bytes,
prefix: str = '',
suffix: str = '',
add_eos: bool = True,
) -> jax.Array:
"""
A tokenization function.
Args:
example: Input string to tokenize.
prefix: Prefix to add to the input string.
suffix: Suffix to add to the input string.
add_eos: If True, add an end of sentence token at the end of the output
sequence.
Returns:
Tokens corresponding to the input string.
"""
int_list = [self._spm_processor.bos_id()]
int_list.extend(self._spm_processor.EncodeAsIds(prefix + example + suffix))
if add_eos:
int_list.append(self._spm_processor.eos_id())
return jnp.array(int_list, dtype=jnp.int32)
def tokenize_tf_op(
self,
str_tensor: tf.Tensor,
prefix: str = '',
suffix: str = '',
add_eos: bool = True,
) -> tf.Tensor:
"""A TensforFlow operator for the `tokenize` function."""
encoded = tf.numpy_function(
self.tokenize,
[str_tensor, prefix, suffix, add_eos],
tf.int32)
encoded.set_shape([None])
return encoded
def to_string(self, tokens: jax.Array) -> str:
"""Convert an array of tokens to a string."""
return self._spm_processor.EncodeIds(tokens.tolist())
Testen Sie es, indem Sie Ihre neue benutzerdefinierte GriffinTokenizer
instanziieren und dann auf eine kleine Stichprobe des MTNT-Datasets anwenden:
def tokenize_source(tokenizer, example: tf.Tensor):
return tokenizer.tokenize_tf_op(
example,
prefix='Translate this into French:\n',
suffix='\n',
add_eos=False
)
def tokenize_destination(tokenizer, example: tf.Tensor):
return tokenizer.tokenize_tf_op(example, add_eos=True)
tokenizer = GriffinTokenizer(vocab)
ds = tfds.load("mtnt/en-fr",split="train")
ds = ds.take(2)
ds = ds.map(lambda x: {
'src': tokenize_source(tokenizer, x['src']),
'dst': tokenize_destination(tokenizer, x['dst'])
})
ds = ds.as_numpy_iterator()
for idx, example in enumerate(ds):
print(f'Example {idx}:')
for key, val in example.items():
print(f'{key}: {val}')
print()
Example 0: src: [ 2 49688 736 1280 6987 235292 108 651 2778 576 1080 104745 11982 5736 832 8995 901 780 3547 665 575 573 4589 235369 2778 235265 108] dst: [ 2 2025 29653 581 664 16298 1437 55563 41435 7840 581 683 111452 581 533 235303 9776 4108 2459 679 485 235303 479 6728 579 1806 2499 709 29653 581 533 235303 101323 16054 1] Example 1: src: [ 2 49688 736 1280 6987 235292 108 2437 87150 477 476 11709 230461 8045 3636 40268 576 4252 4897 235336 108] dst: [ 2 213606 477 1455 235290 3510 748 8268 191017 2809 581 2032 69972 581 11495 1305 533 235303 65978 1654 1]
Erstellen Sie einen Datenloader für den gesamten MTNT-Datensatz:
@chex.dataclass(frozen=True)
class TrainingInput:
# Input tokens provided to the model.
input_tokens: jax.Array
# A mask that determines which tokens contribute to the target loss
# calculation.
target_mask: jax.Array
class DatasetSplit(enum.Enum):
TRAIN = 'train'
VALIDATION = 'valid'
class MTNTDatasetBuilder:
"""A data loader for the MTNT dataset."""
N_ITEMS = {DatasetSplit.TRAIN: 35_692, DatasetSplit.VALIDATION: 811}
BUFFER_SIZE_SHUFFLE = 10_000
TRANSLATION_PREFIX = 'Translate this into French:\n'
TRANSLATION_SUFFIX = '\n'
def __init__(self,
tokenizer : GriffinTokenizer,
max_seq_len: int):
"""A constructor.
Args:
tokenizer: The tokenizer to use.
max_seq_len: The size of each sequence in a given batch.
"""
self._tokenizer = tokenizer
self._base_data = {
DatasetSplit.TRAIN: tfds.load("mtnt/en-fr",split="train"),
DatasetSplit.VALIDATION: tfds.load("mtnt/en-fr",split="valid"),
}
self._max_seq_len = max_seq_len
def _tokenize_source(self, example: tf.Tensor):
"""A tokenization function for the source."""
return self._tokenizer.tokenize_tf_op(
example, prefix=self.TRANSLATION_PREFIX, suffix=self.TRANSLATION_SUFFIX,
add_eos=False
)
def _tokenize_destination(self, example: tf.Tensor):
"""A tokenization function for the French translation."""
return self._tokenizer.tokenize_tf_op(example, add_eos=True)
def _pad_up_to_max_len(self,
input_tensor: tf.Tensor,
pad_value: int | bool,
) -> tf.Tensor:
"""Pad the given tensor up to sequence length of a batch."""
seq_len = tf.shape(input_tensor)[0]
to_pad = tf.maximum(self._max_seq_len - seq_len, 0)
return tf.pad(
input_tensor, [[0, to_pad]], mode='CONSTANT', constant_values=pad_value,
)
def _to_training_input(
self,
src_tokens: jax.Array,
dst_tokens: jax.Array,
) -> TrainingInput:
"""Build a training input from a tuple of source and destination tokens."""
# The input sequence fed to the model is simply the concatenation of the
# source and the destination.
tokens = tf.concat([src_tokens, dst_tokens], axis=0)
# You want to prevent the model from updating based on the source (input)
# tokens. To achieve this, add a target mask to each input.
q_mask = tf.zeros_like(src_tokens, dtype=tf.bool)
a_mask = tf.ones_like(dst_tokens, dtype=tf.bool)
mask = tf.concat([q_mask, a_mask], axis=0)
# If the output tokens sequence is smaller than the target sequence size,
# then pad it with pad tokens.
tokens = self._pad_up_to_max_len(tokens, self._tokenizer.pad_id)
# You don't want to perform the backward on the pad tokens.
mask = self._pad_up_to_max_len(mask, False)
return TrainingInput(input_tokens=tokens, target_mask=mask)
def get_train_dataset(self, batch_size: int, num_epochs: int):
"""Build the training dataset."""
# Tokenize each sample.
ds = self._base_data[DatasetSplit.TRAIN].map(
lambda x : (self._tokenize_source(x['src']),
self._tokenize_destination(x['dst']))
)
# Convert them to training inputs.
ds = ds.map(lambda x, y: self._to_training_input(x, y))
# Remove the samples which are too long.
ds = ds.filter(lambda x: tf.shape(x.input_tokens)[0] <= self._max_seq_len)
# Shuffle the dataset.
ds = ds.shuffle(buffer_size=self.BUFFER_SIZE_SHUFFLE)
# Repeat if necessary.
ds = ds.repeat(num_epochs)
# Build batches.
ds = ds.batch(batch_size, drop_remainder=True)
return ds
def get_validation_dataset(self, batch_size: int):
"""Build the validation dataset."""
# Same as the training dataset, but no shuffling and no repetition
ds = self._base_data[DatasetSplit.VALIDATION].map(
lambda x : (self._tokenize_source(x['src']),
self._tokenize_destination(x['dst']))
)
ds = ds.map(lambda x, y: self._to_training_input(x, y))
ds = ds.filter(lambda x: tf.shape(x.input_tokens)[0] <= self._max_seq_len)
ds = ds.batch(batch_size, drop_remainder=True)
return ds
Testen Sie die MTNTDatasetBuilder
, indem Sie die benutzerdefinierte GriffinTokenizer
noch einmal instanziieren, sie auf den MTNT-Datensatz anwenden und zwei Beispiele erfassen:
dataset_builder = MTNTDatasetBuilder(tokenizer, max_seq_len=20)
ds = dataset_builder.get_train_dataset(3, 1)
ds = ds.take(2)
ds = ds.as_numpy_iterator()
for idx, example in enumerate(ds):
print(f'Example {idx}:')
for key, val in example.items():
print(f'{key}: {val}')
print()
WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'> WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'> WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'> Example 0: input_tokens: [[ 2 49688 736 1280 6987 235292 108 12583 665 235265 108 2 6151 94975 1320 6238 235265 1 0 0] [ 2 49688 736 1280 6987 235292 108 4899 29960 11270 108282 235265 108 2 4899 79025 11270 108282 1 0] [ 2 49688 736 1280 6987 235292 108 26620 235265 108 2 26620 235265 1 0 0 0 0 0 0]] target_mask: [[False False False False False False False False False False False True True True True True True True False False] [False False False False False False False False False False False False False True True True True True True False] [False False False False False False False False False False True True True True False False False False False False]] Example 1: input_tokens: [[ 2 49688 736 1280 6987 235292 108 527 5174 1683 235336 108 2 206790 581 20726 482 2208 1654 1] [ 2 49688 736 1280 6987 235292 108 28484 235256 235336 108 2 120500 13832 1654 1 0 0 0 0] [ 2 49688 736 1280 6987 235292 108 235324 235304 2705 235265 108 2 235324 235304 19963 235265 1 0 0]] target_mask: [[False False False False False False False False False False False False True True True True True True True True] [False False False False False False False False False False False True True True True True False False False False] [False False False False False False False False False False False False True True True True True True False False]]
Modell konfigurieren
Bevor Sie mit der Feinabstimmung des Gemma-Modells beginnen, müssen Sie es konfigurieren.
Laden Sie den RecurrentGemma-Modellprüfpunkt (Griffin) mit der Methode recurrentgemma.jax.utils.load_parameters
:
params = recurrentgemma.load_parameters(CKPT_PATH, "single_device")
Verwenden Sie recurrentgemma.GriffinConfig.from_flax_params_or_variables
, um die richtige Konfiguration automatisch aus dem RecurrentGemma-Modell-Checkpoint zu laden:
config = recurrentgemma.GriffinConfig.from_flax_params_or_variables(params)
Erstellen Sie eine Instanz des Modells Griffin mit recurrentgemma.jax.Griffin
:
model = recurrentgemma.Griffin(config)
Erstellen Sie eine sampler
mit recurrentgemma.jax.Sampler
über dem RecurrentGemma-Modell-Prüfpunkt/den Modellgewichten und dem Tokenizer, um zu prüfen, ob Ihr Modell eine Übersetzung ausführen kann:
sampler = recurrentgemma.Sampler(model=model, vocab=vocab, params=params)
Modell-Feinabstimmung
In diesem Abschnitt führen Sie folgende Aufgaben aus:
- Verwenden Sie die Klasse
gemma.deprecated.transformer.Transformer
, um die Vorwärtsdurchlauf- und Verlustfunktion zu erstellen. - Positionierungs- und Aufmerksamkeitsmaskenvektoren für Tokens erstellen
- Mit Flax eine Trainingsschrittfunktion erstellen
- Erstellen Sie den Validierungsschritt ohne Rückwärtsdurchlauf.
- Erstellen Sie den Trainings-Loop.
- Stimmen Sie das Gemma-Modell ab.
Definieren Sie den Vorwärtsdurchlauf und die Verlustfunktion mithilfe der Klasse recurrentgemma.jax.griffin.Griffin
. Die RecurrentGemma Griffin
wird von flax.linen.Module
abgeleitet und bietet zwei wichtige Methoden:
init
: Die Parameter des Modells werden initialisiert.apply
: Führt die__call__
-Funktion des Modells mit einer bestimmten Gruppe von Parametern aus.
Da Sie mit vorab trainierten Gemma-Gewichten arbeiten, müssen Sie die Funktion init
nicht verwenden.
def forward_and_loss_fn(
params,
*,
model: recurrentgemma.Griffin,
input_tokens: jax.Array, # Shape [B, L]
input_mask: jax.Array, # Shape [B, L]
positions: jax.Array, # Shape [B, L]
) -> jax.Array:
"""Forward pass and loss function.
Args:
params: model's input parameters.
model: Griffin model to call.
input_tokens: input tokens sequence, shape [B, L].
input_mask: tokens to ignore when computing the loss, shape [B, L].
positions: relative position of each token, shape [B, L].
Returns:
Softmax cross-entropy loss for the next-token prediction task.
"""
batch_size = input_tokens.shape[0]
# Forward pass on the input data.
# No attention cache is needed here.
# Exclude the last step as it does not appear in the targets.
logits, _ = model.apply(
{"params": params},
tokens=input_tokens[:, :-1],
segment_pos=positions[:, :-1],
cache=None,
)
# Similarly, the first token cannot be predicteds.
target_tokens = input_tokens[:, 1:]
target_mask = input_mask[:, 1:]
# Convert the target labels into one-hot encoded vectors.
one_hot = jax.nn.one_hot(target_tokens, logits.shape[-1])
# Don't update on unwanted tokens.
one_hot = one_hot * target_mask.astype(one_hot.dtype)[...,None]
# Normalization factor.
norm_factor = batch_size * (jnp.sum(target_mask) + 1e-8)
# Return the negative log-likelihood loss (NLL) function.
return -jnp.sum(jax.nn.log_softmax(logits) * one_hot) / norm_factor
Erstellen Sie die Funktion train_step
, die den Rückwärtsdurchlauf ausführt und die Parameter des Modells entsprechend aktualisiert. Dabei gilt:
jax.value_and_grad
dient dazu, die Verlustfunktion und die Gradienten während der Vorwärts- und Rückwärtsdurchläufe zu bewerten.- Mit
optax.apply_updates
können Sie die Parameter aktualisieren.
Params = Mapping[str, Any]
def get_positions(example: jax.Array, pad_id : int) -> jax.Array:
"""Builds the position vector from the given tokens."""
pad_mask = example != pad_id
positions = jnp.cumsum(pad_mask, axis=-1)
# Subtract one for all positions from the first valid one as they are
# 0-indexed
positions = positions - (positions >= 1)
return positions
@functools.partial(
jax.jit,
static_argnames=['model', 'optimizer'],
donate_argnames=['params', 'opt_state'],
)
def train_step(
model: recurrentgemma.Griffin,
params: Params,
optimizer: optax.GradientTransformation,
opt_state: optax.OptState,
pad_id: int,
example: TrainingInput,
) -> tuple[jax.Array, Params, optax.OptState]:
"""The train step.
Args:
model: The RecurrentGemma (Griffin) model.
params: The model's input parameters.
optimizer: The Optax optimizer to use.
opt_state: The input optimizer's state.
pad_id: The ID of the pad token.
example: The input batch.
Returns:
Training loss, updated parameters, updated optimizer state.
"""
positions = get_positions(example.input_tokens, pad_id)
# Forward and backward passes.
train_loss, grads = jax.value_and_grad(forward_and_loss_fn)(
params,
model=model,
input_tokens=example.input_tokens,
input_mask=example.target_mask,
positions=positions,
)
# Update the parameters.
updates, opt_state = optimizer.update(grads, opt_state, params)
params = optax.apply_updates(params, updates)
return train_loss, params, opt_state
Erstellen Sie die validation_step
-Funktion ohne Rückwärtsdurchlauf:
@functools.partial(jax.jit, static_argnames=['model'])
def validation_step(
model: recurrentgemma.Griffin,
params: Params,
pad_id: int,
example: TrainingInput,
) -> jax.Array:
return forward_and_loss_fn(
params,
model=model,
input_tokens=example.input_tokens,
input_mask=example.target_mask,
positions=get_positions(example.input_tokens, pad_id),
)
Definieren Sie den Trainings-Loop:
def train_loop(
model: recurrentgemma.Griffin,
params: Params,
optimizer: optax.GradientTransformation,
train_ds: Iterator[TrainingInput],
validation_ds: Iterator[TrainingInput],
num_steps: int | None = None,
eval_every_n: int = 20,
):
opt_state = jax.jit(optimizer.init)(params)
step_counter = 0
avg_loss=0
# The first round of the validation loss.
n_steps_eval = 0
eval_loss = 0
for val_example in validation_ds.as_numpy_iterator():
eval_loss += validation_step(
model, params, dataset_builder._tokenizer.pad_id, val_example
)
n_steps_eval += 1
print(f"Start, validation loss: {eval_loss/n_steps_eval}")
for train_example in train_ds:
train_loss, params, opt_state = train_step(
model=model,
params=params,
optimizer=optimizer,
opt_state=opt_state,
pad_id=dataset_builder._tokenizer.pad_id,
example=train_example,
)
step_counter += 1
avg_loss += train_loss
if step_counter % eval_every_n == 0:
eval_loss = 0
n_steps_eval = 0
val_iterator = validation_ds.as_numpy_iterator()
for val_example in val_iterator:
eval_loss += validation_step(
model,
params,
dataset_builder._tokenizer.pad_id,
val_example,
)
n_steps_eval +=1
avg_loss /= eval_every_n
eval_loss /= n_steps_eval
print(f"STEP {step_counter} training loss: {avg_loss} - eval loss: {eval_loss}")
avg_loss=0
if num_steps is not None and step_counter > num_steps:
break
return params
Hier müssen Sie einen (Optax)-Optimierer auswählen. Bei Geräten mit weniger Arbeitsspeicher sollten Sie SGD verwenden, da es einen viel geringeren Speicherbedarf hat. Für die beste Leistung bei der Feinabstimmung empfehlen wir Adam-W. Die optimalen Hyperparameter für jeden Optimierer für die jeweilige Aufgabe in diesem Notebook sind in diesem Beispiel für den 2b-it
-Knotenpunkt angegeben.
def griffin_weight_decay_mask(params_like: optax.Params) -> Any:
# Don't put weight decay on the RGLRU, the embeddings and any biases
def enable_weight_decay(path: list[Any], _: Any) -> bool:
# Parameters in the LRU and embedder
path = [dict_key.key for dict_key in path]
if 'rg_lru' in path or 'embedder' in path:
return False
# All biases and scales
if path[-1] in ('b', 'scale'):
return False
return True
return jax.tree_util.tree_map_with_path(enable_weight_decay, params_like)
optimizer_choice = "sgd"
if optimizer_choice == "sgd":
optimizer = optax.sgd(learning_rate=1e-3)
num_steps = 300
elif optimizer_choice == "adamw":
optimizer = optax.adamw(
learning_rate=1e-4,
b2=0.96,
eps=1e-8,
weight_decay=0.1,
mask=griffin_weight_decay_mask,
)
num_steps = 100
else:
raise ValueError(f"Unknown optimizer: {optimizer_choice}")
Trainings- und Validierungs-Datasets vorbereiten:
# Choose a small sequence length size, so that everything fits in memory.
num_epochs = 1
batch_size = 1
sequence_length = 32
# Make the dataset builder.
tokenizer = GriffinTokenizer(vocab)
dataset_builder= MTNTDatasetBuilder(tokenizer, sequence_length + 1)
# Build the training dataset.
train_ds = dataset_builder.get_train_dataset(
batch_size=batch_size,
num_epochs=num_epochs,
).as_numpy_iterator()
# Build the validation dataset, with a limited number of samples for this demo.
validation_ds = dataset_builder.get_validation_dataset(
batch_size=batch_size,
).take(50)
Beginnen Sie mit der Feinabstimmung des RecurrentGemma-Modells (Griffin) mit einer begrenzten Anzahl von Schritten (num_steps
):
trained_params = train_loop(
model=model,
params=params,
optimizer=optimizer,
train_ds=train_ds,
validation_ds=validation_ds,
num_steps=num_steps,
)
Start, validation loss: 7.894117832183838 /usr/local/lib/python3.10/dist-packages/jax/_src/interpreters/mlir.py:920: UserWarning: Some donated buffers were not usable: ShapedArray(int32[1,33]), ShapedArray(bool[1,33]), ShapedArray(int32[], weak_type=True). See an explanation at https://jax.readthedocs.io/en/latest/faq.html#buffer_donation. warnings.warn("Some donated buffers were not usable:" STEP 20 training loss: 4.592616081237793 - eval loss: 2.847407102584839 STEP 40 training loss: 2.7537424564361572 - eval loss: 2.9258534908294678 STEP 60 training loss: 2.835618257522583 - eval loss: 2.4382340908050537 STEP 80 training loss: 2.6322107315063477 - eval loss: 2.3696839809417725 STEP 100 training loss: 1.8703256845474243 - eval loss: 2.355681896209717 STEP 120 training loss: 2.7280433177948 - eval loss: 2.4059958457946777 STEP 140 training loss: 2.3047447204589844 - eval loss: 2.083082914352417 STEP 160 training loss: 2.3432137966156006 - eval loss: 2.095074415206909 STEP 180 training loss: 2.1081202030181885 - eval loss: 2.006460189819336 STEP 200 training loss: 2.5359647274017334 - eval loss: 1.9667452573776245 STEP 220 training loss: 2.202195644378662 - eval loss: 1.9440618753433228 STEP 240 training loss: 2.756615400314331 - eval loss: 2.1073737144470215 STEP 260 training loss: 2.5128934383392334 - eval loss: 2.117241859436035 STEP 280 training loss: 2.73045015335083 - eval loss: 1.9159646034240723 STEP 300 training loss: 2.0918595790863037 - eval loss: 1.9742532968521118
Sowohl der Trainingsverlust als auch der Validierungsverlust sollten mit jeder Schrittzahl gesunken sein.
Damit Ihre Eingabe dem Trainingsformat entspricht, müssen Sie das Präfix Translate this into French:\n
und am Ende ein Zeilenumbruchzeichen verwenden. Das signalisiert dem Modell, mit der Übersetzung zu beginnen.
sampler.params = trained_params
output = sampler(
["Translate this into French:\nHello, my name is Morgane.\n"],
total_generation_steps=100,
)
print(output.text[0])
/usr/local/lib/python3.10/dist-packages/jax/_src/interpreters/mlir.py:920: UserWarning: Some donated buffers were not usable: ShapedArray(int32[1,16]). See an explanation at https://jax.readthedocs.io/en/latest/faq.html#buffer_donation. warnings.warn("Some donated buffers were not usable:" Mais je m'appelle Morgane.
Weitere Informationen
- Weitere Informationen zur Google DeepMind-Bibliothek
recurrentgemma
auf GitHub finden Sie hier. Sie enthält Docstrings zu Methoden und Modulen, die Sie in diesem Tutorial verwendet haben, z. B.recurrentgemma.jax.load_parameters
,recurrentgemma.jax.Griffin
undrecurrentgemma.jax.Sampler
. - Die folgenden Bibliotheken haben eigene Dokumentationswebsites: core JAX, Flax, Chex, Optax und Orbax.
- Eine Dokumentation zum
sentencepiece
-Tokenisierer/Detokenisierer finden Sie imsentencepiece
-GitHub-Repository von Google. - Die Dokumentation zu
kagglehub
finden Sie im GitHub-Repository von Kaggle.kagglehub
README.md
- Weitere Informationen zur Verwendung von Gemma-Modellen mit Google Cloud Vertex AI
- Wenn Sie Google Cloud TPUs (v3-8 und höher) verwenden, aktualisieren Sie auch auf das neueste
jax[tpu]
-Paket (!pip install -U jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
), starten Sie die Laufzeit neu und prüfen Sie, ob diejax
- undjaxlib
-Versionen übereinstimmen (!pip list | grep jax
). So können SieRuntimeError
-Fehler vermeiden, die aufgrund von Abweichungen zwischen denjaxlib
- undjax
-Versionen auftreten können. Weitere Informationen zur Installation von JAX finden Sie in der JAX-Dokumentation. - Weitere Informationen finden Sie im Artikel RecurrentGemma: Moving Past Transformers for Efficient Open Language Models von Google DeepMind.
- Im Artikel Griffin: Mixing Gated Linear Recurrences with Local Attention for Efficient Language Models von Google DeepMind erfahren Sie mehr über die von RecurrentGemma verwendete Modellarchitektur.