Hugging Face Transformers और QloRA का इस्तेमाल करके, Gemma को बेहतर बनाना

इस गाइड में, Hugging Face Transformers और TRL का इस्तेमाल करके, कस्टम टेक्स्ट-टू-SQL डेटासेट पर Gemma को बेहतर बनाने का तरीका बताया गया है. आपको इनके बारे में जानकारी मिलेगी:

  • क्वांटाइज़्ड लो-रैंक अडैप्टेशन (QLoRA) क्या है
  • डेवलपमेंट एनवायरमेंट सेट अप करना
  • फ़ाइन-ट्यूनिंग डेटासेट बनाना और उसे तैयार करना
  • टीआरएल और SFTTrainer का इस्तेमाल करके, Gemma को बेहतर बनाना
  • मॉडल के अनुमान की जांच करना और एसक्यूएल क्वेरी जनरेट करना

क्वांटाइज़्ड लो-रैंक अडैप्टेशन (QLoRA) क्या है

इस गाइड में, क्विंटाइज़्ड लो-रैंक अडैप्टेशन (QLoRA) का इस्तेमाल दिखाया गया है. यह एलएलएम को बेहतर तरीके से फ़ाइन-ट्यून करने का एक लोकप्रिय तरीका है. इसकी मदद से, बेहतर परफ़ॉर्मेंस बनाए रखते हुए, कंप्यूटिंग रिसॉर्स की ज़रूरत कम हो जाती है. QloRA में, पहले से ट्रेन किए गए मॉडल को 4-बिट में क्वांटाइज़ किया जाता है और वेट को फ़्रीज़ कर दिया जाता है. इसके बाद, ट्रेन की जा सकने वाली अडैप्टर लेयर (LoRA) जोड़ी जाती हैं और सिर्फ़ अडैप्टर लेयर को ट्रेन किया जाता है. इसके बाद, अडैप्टर के वेट को बेस मॉडल के साथ मर्ज किया जा सकता है या अलग अडैप्टर के तौर पर रखा जा सकता है.

डेवलपमेंट एनवायरमेंट सेट अप करना

सबसे पहले, Hugging Face लाइब्रेरी इंस्टॉल करें. इनमें TRL और डेटासेट शामिल हैं. इनसे ओपन मॉडल को बेहतर बनाया जा सकता है. इसमें अलग-अलग RLHF और अलाइनमेंट तकनीकें भी शामिल हैं.

# 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==0.15.2" \
  "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

ध्यान दें: अगर Ampere आर्किटेक्चर (जैसे, NVIDIA L4) या इसके बाद के वर्शन वाले जीपीयू का इस्तेमाल किया जा रहा है, तो फ़्लैश से ध्यान खींचने की सुविधा का इस्तेमाल किया जा सकता है. फ़्लैश अटेंशन एक ऐसा तरीका है जिससे कैलकुलेशन की स्पीड काफ़ी बढ़ जाती है. साथ ही, यह सेक्वेंस की लंबाई में मेमोरी के इस्तेमाल को क्वाड्रैटिक से लीनियर तक कम कर देता है. इससे, ट्रेनिंग की स्पीड तीन गुना तक बढ़ जाती है. ज़्यादा जानने के लिए, FlashAttention पर जाएं.

ट्रेनिंग शुरू करने से पहले, आपको यह पक्का करना होगा कि आपने Gemma के इस्तेमाल की शर्तें स्वीकार कर ली हों. Hugging Face पर लाइसेंस स्वीकार करने के लिए, मॉडल पेज पर मौजूद 'सहमत हूं और रिपॉज़िटरी ऐक्सेस करें' बटन पर क्लिक करें. इसके लिए, इस लिंक पर जाएं: http://huggingface.co/google/gemma-3-1b-pt

लाइसेंस स्वीकार करने के बाद, मॉडल को ऐक्सेस करने के लिए आपके पास मान्य Hugging Face टोकन होना चाहिए. अगर Google Colab में मॉडल चलाया जा रहा है, तो Colab के पासवर्ड का इस्तेमाल करके, Hugging Face टोकन को सुरक्षित तरीके से इस्तेमाल किया जा सकता है. इसके अलावा, login तरीके में टोकन को सीधे तौर पर सेट किया जा सकता है. पक्का करें कि आपके पास अपने मॉडल को ट्रेनिंग के दौरान Hub में डालने के लिए, लिखने का ऐक्सेस भी हो.

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)

फ़ाइन-ट्यूनिंग डेटासेट बनाना और उसे तैयार करना

एलएलएम को बेहतर बनाने के लिए, यह जानना ज़रूरी है कि आपको इसका इस्तेमाल किस काम के लिए करना है और आपको किस टास्क को हल करना है. इससे, अपने मॉडल को बेहतर बनाने के लिए डेटासेट बनाने में मदद मिलती है. अगर आपने अब तक इस्तेमाल के उदाहरण की जानकारी नहीं दी है, तो आपको फिर से शुरुआत करनी पड़ सकती है.

उदाहरण के लिए, इस गाइड में इस्तेमाल के इस उदाहरण पर फ़ोकस किया गया है:

  • डेटा विश्लेषण टूल में आसानी से इंटिग्रेट करने के लिए, नैचुरल लैंग्वेज को एसक्यूएल मॉडल में बेहतर बनाएं. इसका मकसद, एसक्यूएल क्वेरी जनरेट करने के लिए ज़रूरी समय और विशेषज्ञता को काफ़ी कम करना है. इससे, तकनीकी जानकारी न रखने वाले उपयोगकर्ता भी डेटा से अहम जानकारी हासिल कर पाएंगे.

टेक्स्ट-टू-SQL, एलएलएम को बेहतर बनाने के लिए एक अच्छा इस्तेमाल का उदाहरण हो सकता है. ऐसा इसलिए है, क्योंकि यह एक मुश्किल काम है. इसके लिए, डेटा और SQL भाषा के बारे में काफ़ी (अंदरूनी) जानकारी की ज़रूरत होती है.

यह तय करने के बाद कि फ़ाइन-ट्यून करना सही तरीका है, आपको फ़ाइन-ट्यून करने के लिए डेटासेट की ज़रूरत होगी. डेटासेट में, उन टास्क के अलग-अलग डेमो होने चाहिए जिन्हें आपको हल करना है. ऐसा डेटासेट बनाने के कई तरीके हैं. इनमें ये शामिल हैं:

  • Spider जैसे मौजूदा ओपन-सोर्स डेटासेट का इस्तेमाल करना
  • Alpaca जैसे एलएलएम से बनाए गए सिंथेटिक डेटासेट का इस्तेमाल करना
  • Dolly जैसे, लोगों के बनाए गए डेटासेट का इस्तेमाल करना.
  • Orca जैसे तरीकों का इस्तेमाल करना

हर तरीके के अपने फ़ायदे और नुकसान हैं. यह बजट, समय, और क्वालिटी की ज़रूरतों पर निर्भर करता है. उदाहरण के लिए, किसी मौजूदा डेटासेट का इस्तेमाल करना सबसे आसान है, लेकिन हो सकता है कि वह आपके इस्तेमाल के उदाहरण के हिसाब से न हो. वहीं, डोमेन विशेषज्ञों का इस्तेमाल करना सबसे सटीक हो सकता है, लेकिन इसमें समय लग सकता है और यह महंगा भी हो सकता है. निर्देश डेटासेट बनाने के लिए, कई तरीकों को जोड़ा जा सकता है. इस बारे में Orca: GPT-4 के कॉम्प्लेक्स एक्सप्लेनेशंस ट्रेस से प्रोग्रेसिव लर्निंग में बताया गया है.

इस गाइड में, पहले से मौजूद डेटासेट (philschmid/gretel-synthetic-text-to-sql) का इस्तेमाल किया गया है. यह डेटासेट, टेक्स्ट-टू-एसक्यूएल के लिए बनाया गया है और इसमें अच्छी क्वालिटी का डेटा शामिल है. इसमें सामान्य भाषा के निर्देश, स्कीमा की परिभाषाएं, तर्क, और उससे जुड़ी एसक्यूएल क्वेरी शामिल है.

Hugging Face TRL, बातचीत के डेटासेट फ़ॉर्मैट को अपने-आप टेंप्लेट में बदलने की सुविधा देता है. इसका मतलब है कि आपको सिर्फ़ अपने डेटासेट को सही JSON ऑब्जेक्ट में बदलना होगा. इसके बाद, trl टेंप्लेट बनाने और उसे सही फ़ॉर्मैट में डालने का काम करता है.

{"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": "..."}]}

philschmid/gretel-synthetic-text-to-sql में 1 लाख से ज़्यादा सैंपल हैं. गाइड को छोटा रखने के लिए, इसे डाउनसैंपल किया जाता है, ताकि सिर्फ़ 10,000 सैंपल का इस्तेमाल किया जा सके.

अब डेटासेट लोड करने के लिए, Hugging Face डेटासेट लाइब्रेरी का इस्तेमाल किया जा सकता है. साथ ही, सामान्य भाषा के निर्देश और स्कीमा की परिभाषा को जोड़ने के लिए प्रॉम्प्ट टेंप्लेट बनाया जा सकता है. साथ ही, अपनी सहायक के लिए सिस्टम मैसेज जोड़ा जा सकता है.

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"])

टीआरएल और SFTTrainer का इस्तेमाल करके, Gemma को बेहतर बनाना

अब आपके पास अपने मॉडल को बेहतर बनाने का विकल्प है. Hugging Face TRL SFTTrainer की मदद से, ओपन एलएलएम को बेहतर बनाने की प्रोसेस को आसानी से मॉनिटर किया जा सकता है. SFTTrainer, transformers लाइब्रेरी के Trainer का सबक्लास है. इसमें लॉगिंग, आकलन, और चेकपॉइंट जैसी सभी सुविधाएं काम करती हैं. साथ ही, इसमें कुछ और सुविधाएं भी शामिल हैं, जैसे:

  • डेटासेट को फ़ॉर्मैट करना. इसमें बातचीत और निर्देश के फ़ॉर्मैट भी शामिल हैं
  • सिर्फ़ पूरा होने पर ट्रेनिंग, प्रॉम्प्ट को अनदेखा करना
  • ज़्यादा असरदार ट्रेनिंग के लिए डेटासेट पैक करना
  • पैरामीटर-बेहतर बनाने की सुविधा (PEFT), जिसमें QloRA भी शामिल है
  • बातचीत को बेहतर बनाने के लिए, मॉडल और टोकनेटर को तैयार करना. जैसे, खास टोकन जोड़ना

यह कोड, Hugging Face से Gemma मॉडल और टोकनेटर को लोड करता है. साथ ही, क्वांटाइज़ेशन कॉन्फ़िगरेशन को शुरू करता है.

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, peft के साथ नेटिव इंटिग्रेशन के साथ काम करता है. इससे QLoRA का इस्तेमाल करके, एलएलएम को आसानी से ट्यून किया जा सकता है. आपको सिर्फ़ एक LoraConfig बनाना होगा और उसे ट्रेनर को देना होगा.

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
)

ट्रेनिंग शुरू करने से पहले, आपको उस हाइपरपैरामीटर को तय करना होगा जिसका इस्तेमाल आपको SFTConfig इंस्टेंस में करना है.

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
    }
)

अब आपके पास मॉडल की ट्रेनिंग शुरू करने के लिए, SFTTrainer बनाने के सभी बुनियादी ब्लॉक मौजूद हैं.

from trl import SFTTrainer

# Create Trainer object
trainer = SFTTrainer(
    model=model,
    args=args,
    train_dataset=dataset["train"],
    peft_config=peft_config,
    processing_class=tokenizer
)

train() तरीके को कॉल करके ट्रेनिंग शुरू करें.

# 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()

अपने मॉडल की जांच करने से पहले, ज़रूर पक्का करें कि आपने मेमोरी खाली कर ली हो.

# free the memory again
del model
del trainer
torch.cuda.empty_cache()

QLoRA का इस्तेमाल करने पर, सिर्फ़ अडैप्टर को ट्रेन किया जाता है, न कि पूरे मॉडल को. इसका मतलब है कि ट्रेनिंग के दौरान मॉडल को सेव करते समय, सिर्फ़ अडैप्टर वेट सेव किए जाते हैं, न कि पूरा मॉडल. अगर आपको पूरा मॉडल सेव करना है, ताकि इसे vLLM या TGI जैसे सर्विंग स्टैक के साथ आसानी से इस्तेमाल किया जा सके, तो merge_and_unload तरीके का इस्तेमाल करके अडैप्टर वेट को मॉडल वेट में मर्ज करें. इसके बाद, save_pretrained तरीके से मॉडल को सेव करें. इससे एक डिफ़ॉल्ट मॉडल सेव होता है, जिसका इस्तेमाल अनुमान लगाने के लिए किया जा सकता है.

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")

मॉडल के अनुमान की जांच करना और एसक्यूएल क्वेरी जनरेट करना

ट्रेनिंग पूरी होने के बाद, आपको अपने मॉडल का आकलन करना होगा और उसकी जांच करनी होगी. टेस्ट डेटासेट से अलग-अलग सैंपल लोड किए जा सकते हैं और उन सैंपल पर मॉडल का आकलन किया जा सकता है.

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)

आइए, टेस्ट डेटासेट से कोई रैंडम सैंपल लोड करें और SQL कमांड जनरेट करें.

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()}")

खास जानकारी और अगले चरण

इस ट्यूटोरियल में, टीआरएल और QLoRA का इस्तेमाल करके Gemma मॉडल को बेहतर बनाने का तरीका बताया गया है. इसके बाद, यहां दिए गए दस्तावेज़ देखें: