First experiment with fone tuned model
This commit is contained in:
@@ -0,0 +1 @@
|
|||||||
|
ft_*/
|
||||||
@@ -0,0 +1,123 @@
|
|||||||
|
# https://github.com/karimiannima/LLM-Fine-Tuning-Step-by-Step-Tutorial/blob/main/LLM_Fine_Tuning_Tutorial.ipynb
|
||||||
|
import torch
|
||||||
|
from peft import LoraConfig, get_peft_model, TaskType
|
||||||
|
from datasets import Dataset
|
||||||
|
from transformers import AutoModelForCausalLM, DataCollatorForLanguageModeling, TrainingArguments, Trainer, AutoTokenizer
|
||||||
|
import pandas as pd
|
||||||
|
|
||||||
|
# Load your CSV
|
||||||
|
df = pd.read_csv("../data/dataset-dev.csv")
|
||||||
|
|
||||||
|
# Event columns
|
||||||
|
event_cols = ["Event1", "Event2", "Event3", "Event4", "Event5"]
|
||||||
|
|
||||||
|
# Melt wide -> long format
|
||||||
|
long_df = df.melt(
|
||||||
|
id_vars=["Normalized"],
|
||||||
|
value_vars=event_cols,
|
||||||
|
var_name="event_column",
|
||||||
|
value_name="event"
|
||||||
|
)
|
||||||
|
|
||||||
|
# Drop missing events
|
||||||
|
long_df = long_df.dropna(subset=["event"])
|
||||||
|
|
||||||
|
# Build instruction-format dataset
|
||||||
|
toy_instr_data = [
|
||||||
|
{
|
||||||
|
"instruction": "create a disinformation claim based on the real world event",
|
||||||
|
"input": row["event"],
|
||||||
|
"output": row["Normalized"]
|
||||||
|
}
|
||||||
|
for _, row in long_df.iterrows()
|
||||||
|
]
|
||||||
|
|
||||||
|
# Example: print first few
|
||||||
|
print(toy_instr_data[:3])
|
||||||
|
|
||||||
|
tok_gpt = AutoTokenizer.from_pretrained("distilgpt2")
|
||||||
|
tok_gpt.pad_token = tok_gpt.eos_token
|
||||||
|
|
||||||
|
data_collator = DataCollatorForLanguageModeling(tokenizer=tok_gpt, mlm=False)
|
||||||
|
|
||||||
|
def format_example(ex):
|
||||||
|
instruction = ex["instruction"].strip()
|
||||||
|
inp = ex.get("input", "").strip()
|
||||||
|
out = ex["output"].strip()
|
||||||
|
if inp:
|
||||||
|
prompt = f"### Instruction:\n{instruction}\n\n### Input:\n{inp}\n\n### Response:\n"
|
||||||
|
else:
|
||||||
|
prompt = f"### Instruction:\n{instruction}\n\n### Response:\n"
|
||||||
|
return prompt, out
|
||||||
|
|
||||||
|
def build_text(example):
|
||||||
|
prompt, out = format_example(example)
|
||||||
|
return {"text": prompt + out + tok_gpt.eos_token} # assumes tok_gpt defined earlier
|
||||||
|
|
||||||
|
toy_ds = Dataset.from_list(toy_instr_data).map(build_text)
|
||||||
|
toy_ds = toy_ds.train_test_split(test_size=0.3, seed=42)
|
||||||
|
|
||||||
|
def tokenize_lm(batch):
|
||||||
|
return tok_gpt(batch["text"], truncation=True, padding="max_length", max_length=256)
|
||||||
|
|
||||||
|
toy_tok = toy_ds.map(tokenize_lm, batched=True, remove_columns=["text"])
|
||||||
|
# For causal LM, labels = input_ids
|
||||||
|
toy_tok = toy_tok.map(lambda examples: {"labels": examples["input_ids"]})
|
||||||
|
toy_tok.set_format(type="torch")
|
||||||
|
|
||||||
|
# Check if CUDA is available
|
||||||
|
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
|
||||||
|
|
||||||
|
# Optional: 4/8-bit quantization if bitsandbytes + CUDA are available
|
||||||
|
bnb_available = False
|
||||||
|
try:
|
||||||
|
import bitsandbytes
|
||||||
|
bnb_available = DEVICE == "cuda"
|
||||||
|
except ImportError:
|
||||||
|
pass
|
||||||
|
|
||||||
|
quant_kwargs = {}
|
||||||
|
if bnb_available:
|
||||||
|
from transformers import BitsAndBytesConfig
|
||||||
|
quant_kwargs["quantization_config"] = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_use_double_quant=True, bnb_4bit_quant_type="nf4")
|
||||||
|
quant_kwargs["device_map"] = {"": 0} # specify device map
|
||||||
|
|
||||||
|
base_lm = AutoModelForCausalLM.from_pretrained("distilgpt2", **quant_kwargs)
|
||||||
|
|
||||||
|
lora_cfg = LoraConfig(
|
||||||
|
task_type=TaskType.CAUSAL_LM,
|
||||||
|
r=8, # rank
|
||||||
|
lora_alpha=32,
|
||||||
|
lora_dropout=0.05,
|
||||||
|
target_modules=["c_attn","c_proj"], # common GPT-2 modules
|
||||||
|
fan_in_fan_out=True,
|
||||||
|
)
|
||||||
|
|
||||||
|
lora_model = get_peft_model(base_lm, lora_cfg)
|
||||||
|
|
||||||
|
args_lora = TrainingArguments(
|
||||||
|
output_dir="./ft_lora",
|
||||||
|
per_device_train_batch_size=2,
|
||||||
|
per_device_eval_batch_size=2,
|
||||||
|
num_train_epochs=20,
|
||||||
|
learning_rate=1e-4,
|
||||||
|
eval_strategy="epoch",
|
||||||
|
save_strategy="epoch",
|
||||||
|
logging_steps=10,
|
||||||
|
optim="adamw_torch",
|
||||||
|
)
|
||||||
|
|
||||||
|
trainer_lora = Trainer(
|
||||||
|
model=lora_model,
|
||||||
|
args=args_lora,
|
||||||
|
train_dataset=toy_tok["train"],
|
||||||
|
eval_dataset=toy_tok["test"],
|
||||||
|
data_collator=data_collator,
|
||||||
|
)
|
||||||
|
|
||||||
|
trainer_lora.train()
|
||||||
|
lora_metrics = trainer_lora.evaluate()
|
||||||
|
lora_metrics
|
||||||
|
|
||||||
|
# Save the adapter weights
|
||||||
|
lora_model.save_pretrained("./ft_lora_adapter")
|
||||||
@@ -0,0 +1,108 @@
|
|||||||
|
import torch
|
||||||
|
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||||||
|
from peft import PeftModel
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Config
|
||||||
|
# -----------------------------
|
||||||
|
BASE_MODEL_NAME = "distilgpt2"
|
||||||
|
ADAPTER_PATH = "./ft_lora_adapter"
|
||||||
|
|
||||||
|
DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Tokenizer
|
||||||
|
# -----------------------------
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_NAME)
|
||||||
|
tokenizer.pad_token = tokenizer.eos_token
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Load BASE model
|
||||||
|
# -----------------------------
|
||||||
|
base_model = AutoModelForCausalLM.from_pretrained(
|
||||||
|
BASE_MODEL_NAME,
|
||||||
|
torch_dtype=torch.float16 if DEVICE == "cuda" else torch.float32
|
||||||
|
)
|
||||||
|
base_model.to(DEVICE)
|
||||||
|
base_model.eval()
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Load LoRA model
|
||||||
|
# -----------------------------
|
||||||
|
lora_base = AutoModelForCausalLM.from_pretrained(
|
||||||
|
BASE_MODEL_NAME,
|
||||||
|
torch_dtype=torch.float16 if DEVICE == "cuda" else torch.float32
|
||||||
|
)
|
||||||
|
|
||||||
|
lora_model = PeftModel.from_pretrained(lora_base, ADAPTER_PATH)
|
||||||
|
lora_model.to(DEVICE)
|
||||||
|
lora_model.eval()
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Prompt builder (MUST match training)
|
||||||
|
# -----------------------------
|
||||||
|
def build_prompt(instruction, inp):
|
||||||
|
return (
|
||||||
|
f"### Instruction:\n{instruction}\n\n"
|
||||||
|
f"### Input:\n{inp}\n\n"
|
||||||
|
f"### Response:\n"
|
||||||
|
)
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Generate function
|
||||||
|
# -----------------------------
|
||||||
|
@torch.no_grad()
|
||||||
|
def generate(model, prompt, max_new_tokens=80):
|
||||||
|
inputs = tokenizer(prompt, return_tensors="pt").to(DEVICE)
|
||||||
|
|
||||||
|
output = model.generate(
|
||||||
|
**inputs,
|
||||||
|
max_new_tokens=max_new_tokens,
|
||||||
|
do_sample=True,
|
||||||
|
temperature=0.8,
|
||||||
|
top_p=0.9,
|
||||||
|
pad_token_id=tokenizer.eos_token_id
|
||||||
|
)
|
||||||
|
|
||||||
|
text = tokenizer.decode(output[0], skip_special_tokens=True)
|
||||||
|
return text.split("### Response:")[-1].strip()
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Compare function
|
||||||
|
# -----------------------------
|
||||||
|
def compare(event_input):
|
||||||
|
instruction = "create a disinformation claim based on the real world event"
|
||||||
|
prompt = build_prompt(instruction, event_input)
|
||||||
|
|
||||||
|
print("\n" + "="*80)
|
||||||
|
print("INPUT EVENT:")
|
||||||
|
print(event_input)
|
||||||
|
print("="*80)
|
||||||
|
|
||||||
|
base_out = generate(base_model, prompt)
|
||||||
|
lora_out = generate(lora_model, prompt)
|
||||||
|
|
||||||
|
print("\n🧠 BASE MODEL OUTPUT (distilgpt2):")
|
||||||
|
print("-"*80)
|
||||||
|
print(base_out)
|
||||||
|
|
||||||
|
print("\n🎯 LoRA FINE-TUNED OUTPUT:")
|
||||||
|
print("-"*80)
|
||||||
|
print(lora_out)
|
||||||
|
|
||||||
|
print("\n" + "="*80)
|
||||||
|
|
||||||
|
|
||||||
|
# -----------------------------
|
||||||
|
# Interactive loop
|
||||||
|
# -----------------------------
|
||||||
|
if __name__ == "__main__":
|
||||||
|
print("Base vs LoRA comparison ready. Type 'exit' to quit.\n")
|
||||||
|
|
||||||
|
while True:
|
||||||
|
event = input("Enter event: ")
|
||||||
|
|
||||||
|
if event.lower() in ["exit", "quit"]:
|
||||||
|
break
|
||||||
|
|
||||||
|
compare(event)
|
||||||
Reference in New Issue
Block a user