इस गाइड में, Hugging Face Transformers और TRL का इस्तेमाल करके, कस्टम टेक्स्ट-टू-एसक्यूएल 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 के लिए डेटासेट बनाना और उसे तैयार करना
- टीआरएल और SFTTrainer का इस्तेमाल करके, Gemma को बेहतर बनाना
- मॉडल इन्फ़रेंस की जांच करना और एसक्यूएल क्वेरी जनरेट करना
क्वांटाइज़्ड लो-रैंक अडैप्टेशन (QLoRA) क्या है
इस गाइड में, क्वांटाइज़्ड लो-रैंक अडैप्टेशन (क्यूएलओआरए) के इस्तेमाल के बारे में बताया गया है. यह एलएलएम को बेहतर बनाने का एक लोकप्रिय तरीका है. इससे कंप्यूटेशनल रिसॉर्स की ज़रूरत कम हो जाती है और परफ़ॉर्मेंस भी अच्छी बनी रहती है. QloRA में, प्रीट्रेन किए गए मॉडल को 4-बिट में बदला जाता है और वज़न को फ़्रीज़ किया जाता है. इसके बाद, ट्रेन की जा सकने वाली अडैप्टर लेयर (LoRA) अटैच की 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 Libraries इंस्टॉल करें. इनमें TRL और डेटासेट शामिल हैं. इनकी मदद से, ओपन मॉडल को फ़ाइन-ट्यून किया जा सकता है. इसमें अलग-अलग RLHF और अलाइनमेंट तकनीकें 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==0.21.0" \
"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
ध्यान दें: अगर Ampere आर्किटेक्चर (जैसे, NVIDIA L4) या नए आर्किटेक्चर वाले जीपीयू का इस्तेमाल किया जा रहा है, तो फ़्लैश अटेंशन का इस्तेमाल किया जा सकता है. फ़्लैश अटेंशन एक ऐसा तरीका है जिससे कैलकुलेशन की स्पीड काफ़ी बढ़ जाती है. साथ ही, यह सीक्वेंस की लंबाई में मेमोरी के इस्तेमाल को क्वाड्रेटिक 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 जाकर, लाइसेंस स्वीकार किया जा सकता है. इसके लिए, मॉडल पेज पर मौजूद 'सहमत हूं और रिपॉज़िटरी ऐक्सेस करें' बटन पर क्लिक करें. मॉडल पेज का लिंक यह है: 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 का इस्तेमाल किया जा रहा है, तो Colab के सीक्रेट का इस्तेमाल करके, Hugging Face टोकन को सुरक्षित तरीके से इस्तेमाल किया जा सकता है. इसके अलावा, टोकन को सीधे login तरीके से सेट किया जा सकता है. पक्का करें कि आपके टोकन के पास लिखने का ऐक्सेस भी हो, क्योंकि ट्रेनिंग के दौरान आपको अपने मॉडल को Hub पर पुश करना होता है.
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 के लिए डेटासेट बनाना और उसे तैयार करना
एलएलएम को फ़ाइन-ट्यून करते समय, यह जानना ज़रूरी है कि आपको इसका इस्तेमाल किस काम के लिए करना है और आपको कौनसी समस्या हल करनी है. इससे आपको अपने मॉडल को बेहतर बनाने के लिए डेटासेट बनाने में मदद मिलती है. अगर आपने अब तक इस्तेमाल का उदाहरण तय नहीं किया है, तो आपको फिर से शुरुआत करनी पड़ सकती है.
उदाहरण के तौर पर, यह गाइड इस्तेमाल के इस उदाहरण पर फ़ोकस करती है:
- डेटा विश्लेषण टूल में आसानी से इंटिग्रेट करने के लिए, नैचुरल लैंग्वेज को एसक्यूएल मॉडल में बदलने की सुविधा को बेहतर बनाएं. इसका मकसद, एसक्यूएल क्वेरी जनरेट करने में लगने वाले समय और विशेषज्ञता को कम करना है. इससे, तकनीकी जानकारी न रखने वाले लोग भी डेटा से अहम जानकारी पा सकते हैं.
टेक्स्ट-टू-एसक्यूएल, एलएलएम को फ़ाइन-ट्यून करने के लिए एक अच्छा इस्तेमाल का उदाहरण हो सकता है. ऐसा इसलिए, क्योंकि यह एक मुश्किल टास्क है. इसके लिए, डेटा और एसक्यूएल भाषा के बारे में काफ़ी (इंटरनल) जानकारी की ज़रूरत होती है.
जब आपको पता चल जाए कि फ़ाइन-ट्यूनिंग सही तरीका है, तो आपको फ़ाइन-ट्यूनिंग के लिए डेटासेट की ज़रूरत होगी. डेटासेट में, उन टास्क के अलग-अलग उदाहरण होने चाहिए जिन्हें आपको हल करना है. इस तरह का डेटासेट बनाने के कई तरीके हैं. इनमें ये शामिल हैं:
- मौजूदा ओपन-सोर्स डेटासेट का इस्तेमाल करना. जैसे, Spider
- एलएलएम से बनाए गए सिंथेटिक डेटासेट का इस्तेमाल करना. जैसे, Alpaca
- इंसानों के बनाए गए डेटासेट का इस्तेमाल करके, जैसे कि Dolly.
- एक से ज़्यादा तरीकों का इस्तेमाल करके, जैसे कि Orca
हर तरीके के अपने फ़ायदे और नुकसान हैं. यह बजट, समय, और क्वालिटी की ज़रूरी शर्तों पर निर्भर करता है. उदाहरण के लिए, किसी मौजूदा डेटासेट का इस्तेमाल करना सबसे आसान है. हालांकि, यह आपके इस्तेमाल के उदाहरण के हिसाब से सही नहीं हो सकता. वहीं, डोमेन के विशेषज्ञों की मदद लेना सबसे सटीक हो सकता है, लेकिन इसमें समय लग सकता है और यह महंगा भी हो सकता है. निर्देशों वाला डेटासेट बनाने के लिए, कई तरीकों को एक साथ इस्तेमाल किया जा सकता है. जैसा कि Orca: Progressive Learning from Complex Explanation Traces of GPT-4 में दिखाया गया है.
इस गाइड में, पहले से मौजूद डेटासेट (philschmid/gretel-synthetic-text-to-sql) का इस्तेमाल किया गया है. यह टेक्स्ट-टू-एसक्यूएल का एक बेहतरीन सिंथेटिक डेटासेट है. इसमें नैचुरल लैंग्वेज में दिए गए निर्देश, स्कीमा की परिभाषाएं, तर्क, और उससे जुड़ी एसक्यूएल क्वेरी शामिल हैं.
Hugging Face TRL, बातचीत के डेटासेट फ़ॉर्मैट की अपने-आप टेंप्लेटिंग करने की सुविधा देता है. इसका मतलब है कि आपको सिर्फ़ अपने डेटासेट को सही JSON ऑब्जेक्ट में बदलना है. इसके बाद, trl टेंप्लेट बनाने और उसे सही फ़ॉर्मैट में रखने 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 एक लाख से ज़्यादा सैंपल मौजूद हैं. गाइड को छोटा रखने के लिए, इसे डाउनसैंपल किया जाता है, ताकि सिर्फ़ 10,000 सैंपल का इस्तेमाल किया जा सके.
अब Hugging Face Datasets लाइब्रेरी का इस्तेमाल करके, डेटासेट लोड किया जा सकता है. साथ ही, प्रॉम्प्ट टेंप्लेट बनाया जा सकता है. इससे, आम बोलचाल की भाषा में दिए गए निर्देश और स्कीमा की परिभाषा को एक साथ इस्तेमाल किया जा सकता है. इसके अलावा, अपने असिस्टेंट 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 आसानी से फ़ाइन-ट्यून किया जा सकता है. SFTTrainer, transformers लाइब्रेरी के Trainer का सबक्लास है. इसमें लॉगिंग, आकलन, और चेकपॉइंटिंग जैसी सभी सुविधाएं मिलती हैं. हालांकि, इसमें जीवन की गुणवत्ता को बेहतर बनाने वाली अतिरिक्त सुविधाएं भी मिलती हैं. जैसे:
- डेटासेट फ़ॉर्मैट करना. इसमें बातचीत और निर्देश के फ़ॉर्मैट शामिल हैं
- सिर्फ़ जवाब पूरे करने की ट्रेनिंग दी गई है, प्रॉम्प्ट पर ध्यान नहीं दिया गया है
- बेहतर ट्रेनिंग के लिए डेटासेट को पैक करना
- पैरामीटर-इफ़िशिएंट फ़ाइन-ट्यूनिंग (पीईएफ़टी) की सुविधा, जिसमें QloRA भी शामिल है
- बातचीत के लिए मॉडल और टोकनाइज़र को फ़ाइन-ट्यून करना. जैसे, खास टोकन जोड़ना
नीचे दिए गए कोड में, Hugging Face से Gemma मॉडल और टोकनाइज़र लोड किया जाता है. साथ ही, इसमें क्वानटाइज़ेशन कॉन्फ़िगरेशन को शुरू किया जाता 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 की सुविधा देता है. इससे QLoRA का इस्तेमाल करके, एलएलएम को आसानी से और बेहतर तरीके से ट्यून किया जा सकता है. आपको सिर्फ़ एक LoraConfig बनाना होगा और इसे 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_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 हर ज़रूरी कॉम्पोनेंट है. इनका इस्तेमाल करके, SFTTrainer बनाया जा सकता है, ताकि मॉडल को ट्रेन किया जा सके.
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, पक्का करें कि आपने मेमोरी खाली कर दी हो.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
QLoRA का इस्तेमाल करते समय, 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 पूरे मॉडल को सेव करना है, तो merge_and_unload तरीके का इस्तेमाल करके अडैप्टर के वेट को मॉडल के वेट में मर्ज करें. इससे vLLM या TGI जैसे सर्विंग स्टैक के साथ मॉडल का इस्तेमाल करना आसान हो जाता है. इसके बाद, save_pretrained तरीके का इस्तेमाल करके 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 इन्फ़रेंस की जांच करना और एसक्यूएल क्वेरी जनरेट करना
ट्रेनिंग पूरी होने के बाद, आपको अपने मॉडल का आकलन और उसकी जांच करनी होगी. टेस्ट डेटासेट से अलग-अलग सैंपल लोड किए जा सकते हैं. साथ ही, उन सैंपल के आधार 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 एक 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"])-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()}")
खास जानकारी और अगले चरण
इस ट्यूटोरियल में, TRL और QLoRA का इस्तेमाल करके, Gemma मॉडल को बेहतर बनाने का तरीका बताया गया है. इसके बाद, यहां दिए गए दस्तावेज़ पढ़ें:
- Gemma मॉडल की मदद से टेक्स्ट जनरेट करने का तरीका जानें.
- Hugging Face Transformers का इस्तेमाल करके, विज़न टास्क के लिए Gemma को बेहतर बनाने का तरीका जानें.
- Hugging Face Transformers का इस्तेमाल करके, पूरे मॉडल को फ़ाइन-ट्यून करने का तरीका जानें.
- Gemma मॉडल पर डिस्ट्रिब्यूटेड फ़ाइन-ट्यूनिंग और अनुमान लगाने की प्रोसेस करने का तरीका जानें.
- Vertex AI के साथ Gemma के ओपन मॉडल इस्तेमाल करने का तरीका जानें.
- KerasNLP का इस्तेमाल करके Gemma को फ़ाइन-ट्यून करने और Vertex AI पर डिप्लॉय करने का तरीका जानें.