במדריך הזה נסביר איך לבצע כוונון עדין של Gemma במערך נתונים מותאם אישית של טקסט ל-SQL באמצעות Transformers ו-TRL של Hugging Face. תלמדו:
- מהי שיטת Quantized Low-Rank Adaptation (QLoRA)
- הגדרת סביבת פיתוח
- יצירה והכנה של מערך הנתונים לכוונון עדין
- ביצוע התאמה עדינה של Gemma באמצעות TRL ו-SFTTrainer
- בדיקת הסקת המסקנות של המודל ויצירת שאילתות SQL
מהי שיטת Quantized Low-Rank Adaptation (QLoRA)
במדריך הזה מוצג שימוש ב-Quantized Low-Rank Adaptation (QLoRA), שיטה פופולרית להתאמה עדינה ויעילה של מודלים של שפה גדולה (LLM), כי היא מפחיתה את הדרישות למשאבי מחשוב תוך שמירה על ביצועים גבוהים. ב-QloRA, המודל שעבר אימון מראש עובר קוונטיזציה ל-4 ביט והמשקלים מוקפאים. לאחר מכן מצורפות שכבות מתאם שאפשר לאמן (LoRA) ורק שכבות המתאם מאומנות. לאחר מכן, אפשר למזג את משקלי המתאם עם מודל הבסיס או לשמור אותם כמתאם נפרד.
הגדרת סביבת פיתוח
השלב הראשון הוא להתקין את ספריות Hugging Face, כולל TRL וערכות נתונים, כדי לבצע כוונון עדין של מודל פתוח, כולל טכניקות שונות של RLHF ויישור.
# Install Pytorch & other libraries
%pip install "torch>=2.4.0" tensorboard
# Install Gemma release branch from Hugging Face
%pip install "transformers>=4.51.3"
# Install Hugging Face libraries
%pip install --upgrade \
"datasets==3.3.2" \
"accelerate==1.4.0" \
"evaluate==0.4.3" \
"bitsandbytes==0.45.3" \
"trl==0.21.0" \
"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 חדשה יותר, אתם יכולים להשתמש ב-Flash attention. Flash Attention היא שיטה שמאיצה משמעותית את החישובים ומפחיתה את השימוש בזיכרון מריבועי ללינארי באורך הרצף, וכך מאפשרת להאיץ את האימון עד פי 3. מידע נוסף זמין במאמר בנושא FlashAttention.
לפני שמתחילים באימון, צריך לוודא שאישרתם את תנאי השימוש ב-Gemma. כדי לאשר את הרישיון ב-Hugging Face, לוחצים על הלחצן 'אישור וגישה למאגר' בדף הדגם בכתובת: http://huggingface.co/google/gemma-3-1b-pt
אחרי שמאשרים את הרישיון, צריך טוקן Hugging Face תקף כדי לגשת למודל. אם אתם מריצים את הקוד ב-Google Colab, אתם יכולים להשתמש באסימון Hugging Face באופן מאובטח באמצעות הסודות של Colab. אחרת, אתם יכולים להגדיר את האסימון ישירות בשיטה login. חשוב לוודא שלטוקן יש גם הרשאת כתיבה, כי המודל נדחף אל 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)
יצירה והכנה של מערך הנתונים לכוונון עדין
כשמבצעים כוונון עדין של מודלים גדולים של שפה, חשוב להבין את תרחיש השימוש ואת המשימה שרוצים לפתור. כך תוכלו ליצור מערך נתונים כדי לכוונן את המודל. אם עדיין לא הגדרתם את תרחיש השימוש, כדאי לחזור לשלב התכנון.
לדוגמה, במדריך הזה אנחנו מתמקדים בתרחיש השימוש הבא:
- אפשר לכוונן מודל של שפה טבעית ל-SQL כדי לשלב אותו בצורה חלקה בכלי לניתוח נתונים. המטרה היא לצמצם באופן משמעותי את הזמן והמומחיות שנדרשים ליצירת שאילתות SQL, כדי לאפשר גם למשתמשים לא טכניים להפיק תובנות משמעותיות מהנתונים.
תרחיש לדוגמה טוב לשימוש במודלי שפה גדולים לצורך כוונון עדין הוא המרת טקסט ל-SQL, כי זו משימה מורכבת שדורשת ידע רב (פנימי) על הנתונים ועל שפת SQL.
אחרי שקובעים שפתרון ה-Fine-tuning הוא הפתרון הנכון, צריך מערך נתונים כדי לבצע את ה-Fine-tuning. מערך הנתונים צריך לכלול מגוון רחב של הדגמות של המשימות שרוצים לפתור. יש כמה דרכים ליצור מערך נתונים כזה, כולל:
- שימוש במערכי נתונים קיימים של קוד פתוח, כמו Spider
- שימוש במערכי נתונים סינתטיים שנוצרו על ידי מודלים של שפה גדולה (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, והבחירה ביניהן תלויה בתקציב, בזמן ובדרישות האיכות. לדוגמה, השימוש במערך נתונים קיים הוא הכי קל, אבל יכול להיות שהוא לא יתאים לתרחיש השימוש הספציפי שלכם. לעומת זאת, שימוש במומחים בתחום יכול להיות הכי מדויק, אבל הוא עלול להיות יקר ולדרוש זמן רב. אפשר גם לשלב כמה שיטות כדי ליצור מערך נתונים של הוראות, כמו שמוצג 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 סכימה, נימוקים ושאילתת SQL תואמת.
Hugging Face TRL תומך ביצירת תבניות אוטומטית של פורמטים של מערכי נתונים של שיחות. כלומר, אתם צריכים רק להמיר את מערך הנתונים לאובייקטים הנכונים של JSON, ו-trl דואג ליצירת תבניות ולהצבת הנתונים בפורמט 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, הוא עובר דגימת חסר כדי להשתמש רק ב-10,000 דוגמאות.
עכשיו אתם יכולים להשתמש בספריית Hugging Face Datasets כדי לטעון את מערך הנתונים וליצור תבנית הנחיה לשילוב ההוראה בשפה טבעית, הגדרת הסכימה והוספת הודעת מערכת לעוזר.
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"])
ביצוע התאמה עדינה של Gemma באמצעות TRL ו-SFTTrainer
עכשיו אפשר לבצע כוונון עדין של המודל. Hugging Face TRL SFTTrainer מאפשר לפקח בקלות על כוונון עדין של מודלים גדולים של שפה (LLM) בקוד פתוח. SFTTrainer הוא מחלקת משנה של Trainer מהספרייה transformers והוא תומך בכל אותן התכונות, כולל רישום ביומן, הערכה ונקודות ביקורת, אבל הוא כולל גם תכונות נוספות לשיפור איכות החיים, כולל:
- פורמט של מערך הנתונים, כולל פורמטים של שיחות והוראות
- אימון רק על השלמות, תוך התעלמות מההנחיות
- איך אורזים מערכי נתונים כדי לאמן את המודל בצורה יעילה יותר
- תמיכה בכוונון יעיל בפרמטרים (PEFT), כולל QloRA
- הכנת המודל והטוקנייזר לכוונון עדין של שיחות (למשל, הוספת אסימונים מיוחדים)
הקוד הבא טוען את מודל Gemma ואת ה-tokenizer מ-Hugging Face ומפעיל את הגדרת הכימות.
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, ולכן קל לבצע אופטימיזציה יעילה של מודלים של LLM באמצעות QLoRA. צריך ליצור LoraConfig ולספק אותו למדריך.
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 ההיפרפרמטר שרוצים להשתמש בו במופע SFTConfig.
from trl import SFTConfig
args = SFTConfig(
output_dir="gemma-text-to-sql", # directory to save and repository id
max_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 שצריך כדי ליצור SFTTrainer ולהתחיל לאמן את 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
)
מתחילים את האימון על ידי קריאה 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 שבודקים את המודל, חשוב לפנות את הזיכרון.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
כשמשתמשים ב-QLoRA, מאמנים רק מתאמים ולא את המודל המלא. כלומר, כששומרים 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 מחסניות להצגת מודלים כמו vLLM או TGI, אפשר למזג את משקלי המתאם עם משקלי 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 המסקנות של המודל ויצירת שאילתות SQL
אחרי שהאימון יסתיים, כדאי להעריך ולבדוק את המודל. אפשר לטעון דוגמאות שונות ממערך הנתונים של הבדיקה ולהעריך את המודל על סמך 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 נתוני הבדיקה וניצור 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"])-1)
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 למדנו איך לשפר ולחדד מודל Gemma באמצעות TRL ו-QLoRA. כדאי לעיין במסמכים הבאים:
- איך יוצרים טקסט באמצעות מודל Gemma
- איך מבצעים כוונון עדין של Gemma למשימות שקשורות לראייה באמצעות Hugging Face Transformers
- איך מבצעים כוונון עדין של מודל מלא באמצעות Hugging Face Transformers
- איך מבצעים כוונון עדין והסקת מסקנות מבוזרים במודל Gemma
- איך משתמשים במודלים פתוחים של Gemma עם Vertex AI
- איך מבצעים כוונון עדין של Gemma באמצעות KerasNLP ופורסים אותו ב-Vertex AI