במדריך הזה נסביר איך לבצע שיפורים קטנים ב-Gemma על קבוצת נתונים מותאמת אישית של טקסט ל-SQL באמצעות Transformers ו-TRL של Hugging Face. במהלך הקורס תלמדו:
- מהי התאמה של דירוג נמוך בקידוד קוונטי (QLoRA)
- הגדרת סביבת הפיתוח
- יצירת מערך הנתונים לכוונון ועדכון והכנתו
- שיפור של Gemma באמצעות TRL ו-SFTTrainer
- בדיקת הסקת המודל ויצירת שאילתות SQL
מהי התאמה של דירוג נמוך בקידוד קוונטי (QLoRA)
במדריך הזה נסביר איך משתמשים ב-Quantized Low-Rank Adaptation (QLoRA), שיטה פופולרית לשיפור יעיל של מודלים של למידת מכונה לטווח ארוך (LLM), כי היא מפחיתה את דרישות המשאבים המחשוביים תוך שמירה על ביצועים גבוהים. ב-QloRA, המודל המאומן מראש עובר קוונטיזציה ל-4 ביט והמשקולות קפואים. לאחר מכן מצורפים שכבות מתאם שניתן לאמן (LoRA), ורק שכבות המתאם עוברות אימון. לאחר מכן, אפשר למזג את משקלי המתאם עם מודל הבסיס או להשאיר אותו כמתאם נפרד.
הגדרת סביבת הפיתוח
השלב הראשון הוא להתקין את ספריות Hugging Face, כולל TRL, ומערכי נתונים כדי לשפר את המודל הפתוח, כולל שיטות שונות של RLHF ויישור.
# Install Pytorch & other libraries
%pip install "torch>=2.4.0" tensorboard
# Install Gemma release branch from Hugging Face
%pip install git+https://github.com/huggingface/transformers@v4.49.0-Gemma-3
# Install Hugging Face libraries
%pip install --upgrade \
"datasets==3.3.2" \
"accelerate==1.4.0" \
"evaluate==0.4.3" \
"bitsandbytes==0.45.3" \
"trl==0.15.2" \
"peft==0.14.0" \
protobuf \
sentencepiece
# COMMENT IN: if you are running on a GPU that supports BF16 data type and flash attn, such as NVIDIA L4 or NVIDIA A100
#% pip install flash-attn
הערה: אם אתם משתמשים ב-GPU עם ארכיטקטורת Ampere (כמו NVIDIA L4) או גרסה מתקדמת יותר, אתם יכולים להשתמש ב-Flash attention. Flash Attention היא שיטה שמאיצה באופן משמעותי את החישובים ומפחיתה את השימוש בזיכרון מחזקה ריבועית לחזקה לינארית באורך הרצף, וכך מאפשרת להאיץ את האימון פי 3. מידע נוסף זמין ב-FlashAttention.
לפני שתתחילו את האימון, עליכם לוודא שאישרתם את התנאים וההגבלות של Gemma. כדי לאשר את הרישיון ב-Hugging Face, לוחצים על הלחצן 'הסכמה וגישה למאגר' בדף המודל בכתובת: http://huggingface.co/google/gemma-3-1b-pt
אחרי שתאשרו את הרישיון, תצטרכו אסימון תקין של Hugging Face כדי לגשת למודל. אם אתם מריצים את הקוד ב-Google Colab, אתם יכולים להשתמש באסימון של Hugging Face באופן מאובטח באמצעות סודות Colab. לחלופין, אתם יכולים להגדיר את האסימון ישירות בשיטה login
. חשוב לוודא שלאסימון יש גם הרשאת כתיבה, כי אתם צריכים לדחוף את המודל ל-Hub במהלך האימון.
from google.colab import userdata
from huggingface_hub import login
# Login into Hugging Face Hub
hf_token = userdata.get('HF_TOKEN') # If you are running inside a Google Colab
login(hf_token)
יצירת מערך הנתונים לכוונון ועדכון והכנתו
כשמכווננים LLMs, חשוב להכיר את תרחיש השימוש ואת המשימה שרוצים לפתור. כך תוכלו ליצור מערך נתונים כדי לשפר את המודל. אם עדיין לא הגדרתם את תרחיש לדוגמה, כדאי לחזור לשולחן השרטוט.
לדוגמה, המדריך הזה מתמקד בתרחיש לדוגמה הבא:
- שימוש בשפה טבעית מותאמת מודל SQL כדי לשלב בצורה חלקה בכלי לניתוח נתונים. המטרה היא לצמצם באופן משמעותי את הזמן והמומחיות הנדרשים ליצירת שאילתות SQL, וכך לאפשר גם למשתמשים לא טכניים לחלץ תובנות משמעותיות מהנתונים.
המרת טקסט ל-SQL יכולה להיות תרחיש לדוגמה טוב לשיפור מודלים של שפה גדולה, כי זו משימה מורכבת שמחייבת הרבה ידע (פנימי) על הנתונים ועל שפת SQL.
אחרי שקבעתם שכוונון עדין הוא הפתרון הנכון, אתם צריכים מערך נתונים לכוונון עדין. מערך הנתונים צריך להיות קבוצה מגוונת של הדגמות של המשימות שרוצים לפתור. יש כמה דרכים ליצור מערך נתונים כזה, כולל:
- שימוש במערכי נתונים קיימים בקוד פתוח, כמו Spider
- שימוש במערכי נתונים סינתטיים שנוצרו על ידי מודלים של LLM, כמו Alpaca
- שימוש במערכי נתונים שנוצרו על ידי בני אדם, כמו Dolly.
- שימוש בשילוב של השיטות, כמו Orca
לכל אחת מהשיטות יש יתרונות וחסרונות משלה, והיא תלויה בדרישות התקציב, הזמן והאיכות. לדוגמה, השימוש במערך נתונים קיים הוא הקל ביותר, אבל יכול להיות שהוא לא יותאם לתרחיש לדוגמה הספציפי שלכם. לעומת זאת, שימוש במומחים בתחום עשוי להיות המדויק ביותר, אבל הוא עשוי להיות זמן רב ויקר. אפשר גם לשלב כמה שיטות כדי ליצור מערך נתונים של הוראות, כפי שמתואר במאמר Orca: Progressive Learning from Complex Explanation Traces of GPT-4.
במדריך הזה נעשה שימוש במערך נתונים שכבר קיים (philschmid/gretel-synthetic-text-to-sql), מערך נתונים סינתטי באיכות גבוהה של Text-to-SQL שכולל הוראות בשפה טבעית, הגדרות של סכימות, נימוקים ושאילתת ה-SQL התואמת.
Hugging Face TRL תומך ביצירת תבניות אוטומטיות של פורמטים של מערכי נתונים של שיחות. כלומר, צריך רק להמיר את מערך הנתונים לאובייקטי JSON מתאימים, ו-trl
יטפל ביצירת התבניות והעברת הנתונים לפורמט הנכון.
{"messages": [{"role": "system", "content": "You are..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
{"messages": [{"role": "system", "content": "You are..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
{"messages": [{"role": "system", "content": "You are..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
המאגר philschmid/gretel-synthetic-text-to-sql מכיל יותר מ-100,000 דוגמאות. כדי שהמדריך יהיה קטן, הדגימה שלו צומצמה ל-10,000 דוגמאות בלבד.
עכשיו אפשר להשתמש בספריית Hugging Face Datasets כדי לטעון את מערך הנתונים וליצור תבנית הנחיה שמשלבת את ההוראה בשפה הטבעית, הגדרת הסכימה והוספת הודעת מערכת עבור העוזרת.
from datasets import load_dataset
# System message for the assistant
system_message = """You are a text to SQL query translator. Users will ask you questions in English and you will generate a SQL query based on the provided SCHEMA."""
# User prompt that combines the user query and the schema
user_prompt = """Given the <USER_QUERY> and the <SCHEMA>, generate the corresponding SQL command to retrieve the desired data, considering the query's syntax, semantics, and schema constraints.
<SCHEMA>
{context}
</SCHEMA>
<USER_QUERY>
{question}
</USER_QUERY>
"""
def create_conversation(sample):
return {
"messages": [
# {"role": "system", "content": system_message},
{"role": "user", "content": user_prompt.format(question=sample["sql_prompt"], context=sample["sql_context"])},
{"role": "assistant", "content": sample["sql"]}
]
}
# Load dataset from the hub
dataset = load_dataset("philschmid/gretel-synthetic-text-to-sql", split="train")
dataset = dataset.shuffle().select(range(12500))
# Convert dataset to OAI messages
dataset = dataset.map(create_conversation, remove_columns=dataset.features,batched=False)
# split dataset into 10,000 training samples and 2,500 test samples
dataset = dataset.train_test_split(test_size=2500/12500)
# Print formatted user prompt
print(dataset["train"][345]["messages"][1]["content"])
שיפור של Gemma באמצעות TRL ו-SFTTrainer
עכשיו אתם מוכנים לבצע כוונון עדין של המודל. בעזרת SFTTrainer של Hugging Face TRL אפשר בקלות לפקח על כוונון מדויק של מודלים LLM פתוחים. SFTTrainer
הוא תת-סוג של Trainer
מהספרייה transformers
, ותומך באותן תכונות, כולל רישום ביומן, הערכה יצירת נקודות עצירה, אבל מוסיף תכונות נוספות לשיפור איכות החיים, כולל:
- עיצוב מערכי נתונים, כולל פורמטים של שיחות והוראות
- אימון על השלמות בלבד, התעלמות מהנחיות
- אריזה של מערכי נתונים לאימון יעיל יותר
- תמיכה בכוונון יעיל בפרמטרים (PEFT), כולל QloRA
- הכנת המודל והמנתח לאסימונים לצורך כוונון מדויק של שיחות (למשל, הוספת אסימונים מיוחדים)
הקוד הבא טוען את המודל ואת ה-tokenizer של Gemma מ-Hugging Face ומפעיל את ההגדרות של ה-quantization.
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, AutoModelForImageTextToText, BitsAndBytesConfig
# Hugging Face model id
model_id = "google/gemma-3-1b-pt" # or `google/gemma-3-4b-pt`, `google/gemma-3-12b-pt`, `google/gemma-3-27b-pt`
# Select model class based on id
if model_id == "google/gemma-3-1b-pt":
model_class = AutoModelForCausalLM
else:
model_class = AutoModelForImageTextToText
# Check if GPU benefits from bfloat16
if torch.cuda.get_device_capability()[0] >= 8:
torch_dtype = torch.bfloat16
else:
torch_dtype = torch.float16
# Define model init arguments
model_kwargs = dict(
attn_implementation="eager", # Use "flash_attention_2" when running on Ampere or newer GPU
torch_dtype=torch_dtype, # What torch dtype to use, defaults to auto
device_map="auto", # Let torch decide how to load the model
)
# BitsAndBytesConfig: Enables 4-bit quantization to reduce model size/memory usage
model_kwargs["quantization_config"] = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_use_double_quant=True,
bnb_4bit_quant_type='nf4',
bnb_4bit_compute_dtype=model_kwargs['torch_dtype'],
bnb_4bit_quant_storage=model_kwargs['torch_dtype'],
)
# Load model and tokenizer
model = model_class.from_pretrained(model_id, **model_kwargs)
tokenizer = AutoTokenizer.from_pretrained("google/gemma-3-1b-it") # Load the Instruction Tokenizer to use the official Gemma template
SFTTrainer
תומך בשילוב מקורי עם peft
, שמאפשר לבצע בקלות כוונון יעיל של מודלים של LLM באמצעות QLoRA. צריך רק ליצור LoraConfig
ולספק אותו למאמן.
from peft import LoraConfig
peft_config = LoraConfig(
lora_alpha=16,
lora_dropout=0.05,
r=16,
bias="none",
target_modules="all-linear",
task_type="CAUSAL_LM",
modules_to_save=["lm_head", "embed_tokens"] # make sure to save the lm_head and embed_tokens as you train the special tokens
)
לפני שמתחילים את האימון, צריך להגדיר את הפרמטר ההיפר-מרחב שבו רוצים להשתמש במכונה של SFTConfig
.
from trl import SFTConfig
args = SFTConfig(
output_dir="gemma-text-to-sql", # directory to save and repository id
max_seq_length=512, # max sequence length for model and packing of the dataset
packing=True, # Groups multiple samples in the dataset into a single sequence
num_train_epochs=3, # number of training epochs
per_device_train_batch_size=1, # batch size per device during training
gradient_accumulation_steps=4, # number of steps before performing a backward/update pass
gradient_checkpointing=True, # use gradient checkpointing to save memory
optim="adamw_torch_fused", # use fused adamw optimizer
logging_steps=10, # log every 10 steps
save_strategy="epoch", # save checkpoint every epoch
learning_rate=2e-4, # learning rate, based on QLoRA paper
fp16=True if torch_dtype == torch.float16 else False, # use float16 precision
bf16=True if torch_dtype == torch.bfloat16 else False, # use bfloat16 precision
max_grad_norm=0.3, # max gradient norm based on QLoRA paper
warmup_ratio=0.03, # warmup ratio based on QLoRA paper
lr_scheduler_type="constant", # use constant learning rate scheduler
push_to_hub=True, # push model to hub
report_to="tensorboard", # report metrics to tensorboard
dataset_kwargs={
"add_special_tokens": False, # We template with special tokens
"append_concat_token": True, # Add EOS token as separator token between examples
}
)
עכשיו יש לכם את כל אבני הבניין הדרושות כדי ליצור את SFTTrainer
ולהתחיל את אימון המודל.
from trl import SFTTrainer
# Create Trainer object
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=dataset["train"],
peft_config=peft_config,
processing_class=tokenizer
)
כדי להתחיל את האימון, קוראים לשיטה train()
.
# Start training, the model will be automatically saved to the Hub and the output directory
trainer.train()
# Save the final model again to the Hugging Face Hub
trainer.save_model()
לפני שתוכלו לבדוק את המודל, עליכם לפנות את הזיכרון.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
כשמשתמשים ב-QLoRA, מאומנים רק מתאמים ולא המודל המלא. המשמעות היא שכשמשמרים את המודל במהלך האימון, שומרים רק את משקלי המתאם ולא את המודל המלא. אם רוצים לשמור את המודל המלא, כדי שיהיה קל יותר להשתמש בו עם סטאקים של שירות כמו vLLM או TGI, אפשר למזג את משקלי המתאם במשקלי המודל באמצעות השיטה merge_and_unload
ואז לשמור את המודל באמצעות השיטה save_pretrained
. כך נשמר מודל ברירת מחדל שאפשר להשתמש בו להסקת מסקנות.
from peft import PeftModel
# Load Model base model
model = model_class.from_pretrained(model_id, low_cpu_mem_usage=True)
# Merge LoRA and base model and save
peft_model = PeftModel.from_pretrained(model, args.output_dir)
merged_model = peft_model.merge_and_unload()
merged_model.save_pretrained("merged_model", safe_serialization=True, max_shard_size="2GB")
processor = AutoTokenizer.from_pretrained(args.output_dir)
processor.save_pretrained("merged_model")
בדיקת הסקת המודל ויצירת שאילתות SQL
אחרי שהאימון יסתיים, כדאי להעריך ולבדוק את המודל. אפשר לטעון דוגמאות שונות ממערך הנתונים לבדיקה ולהעריך את המודל על הדוגמאות האלה.
import torch
from transformers import pipeline
model_id = "gemma-text-to-sql"
# Load Model with PEFT adapter
model = model_class.from_pretrained(
model_id,
device_map="auto",
torch_dtype=torch_dtype,
attn_implementation="eager",
)
tokenizer = AutoTokenizer.from_pretrained(model_id)
נטען דגימה אקראית ממערך הנתונים לבדיקה ויוצרים פקודת SQL.
from random import randint
import re
# Load the model and tokenizer into the pipeline
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)
# Load a random sample from the test dataset
rand_idx = randint(0, len(dataset["test"]))
test_sample = dataset["test"][rand_idx]
# Convert as test example into a prompt with the Gemma template
stop_token_ids = [tokenizer.eos_token_id, tokenizer.convert_tokens_to_ids("<end_of_turn>")]
prompt = pipe.tokenizer.apply_chat_template(test_sample["messages"][:2], tokenize=False, add_generation_prompt=True)
# Generate our SQL query.
outputs = pipe(prompt, max_new_tokens=256, do_sample=False, temperature=0.1, top_k=50, top_p=0.1, eos_token_id=stop_token_ids, disable_compile=True)
# Extract the user query and original answer
print(f"Context:\n", re.search(r'<SCHEMA>\n(.*?)\n</SCHEMA>', test_sample['messages'][0]['content'], re.DOTALL).group(1).strip())
print(f"Query:\n", re.search(r'<USER_QUERY>\n(.*?)\n</USER_QUERY>', test_sample['messages'][0]['content'], re.DOTALL).group(1).strip())
print(f"Original Answer:\n{test_sample['messages'][1]['content']}")
print(f"Generated Answer:\n{outputs[0]['generated_text'][len(prompt):].strip()}")
סיכום והשלבים הבאים
במדריך הזה הוסבר איך לשפר מודל Gemma באמצעות TRL ו-QLoRA. כדאי לעיין במסמכים הבאים: