Hướng dẫn này sẽ hướng dẫn bạn cách tinh chỉnh Gemma trên một tập dữ liệu văn bản sang SQL tuỳ chỉnh bằng cách sử dụng Transformer và TRL của Hugging Face. Bạn sẽ tìm hiểu:
- Điều chỉnh thứ hạng thấp được lượng tử hoá (QLoRA) là gì?
- Thiết lập môi trường phát triển
- Tạo và chuẩn bị tập dữ liệu tinh chỉnh
- Tinh chỉnh Gemma bằng TRL và SFTTrainer
- Kiểm thử suy luận mô hình và tạo truy vấn SQL
Điều chỉnh thứ hạng thấp được lượng tử hoá (QLoRA) là gì?
Hướng dẫn này minh hoạ cách sử dụng Tính năng thích ứng theo thứ hạng thấp được lượng tử hoá (QLoRA). Đây là một phương pháp phổ biến để tinh chỉnh hiệu quả các LLM vì phương pháp này làm giảm các yêu cầu về tài nguyên điện toán trong khi vẫn duy trì hiệu suất cao. Trong QloRA, mô hình được huấn luyện trước được lượng tử hoá thành 4 bit và các trọng số được cố định. Sau đó, các lớp chuyển đổi có thể huấn luyện (LoRA) sẽ được đính kèm và chỉ các lớp chuyển đổi mới được huấn luyện. Sau đó, bạn có thể hợp nhất trọng số của bộ chuyển đổi với mô hình cơ sở hoặc giữ lại dưới dạng một bộ chuyển đổi riêng biệt.
Thiết lập môi trường phát triển
Bước đầu tiên là cài đặt Thư viện Hugging Face, bao gồm TRL và các tập dữ liệu để tinh chỉnh mô hình mở, bao gồm cả các kỹ thuật RLHF và căn chỉnh khác nhau.
# 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
Lưu ý: Nếu đang sử dụng GPU có kiến trúc Ampere (chẳng hạn như NVIDIA L4) trở lên, bạn có thể sử dụng tính năng Flash attention. Flash Attention là một phương thức giúp tăng tốc đáng kể quá trình tính toán và giảm mức sử dụng bộ nhớ từ dạng bậc hai xuống dạng tuyến tính theo độ dài trình tự, giúp tăng tốc quá trình huấn luyện lên đến 3 lần. Tìm hiểu thêm tại FlashAttention.
Trước khi bắt đầu huấn luyện, bạn phải đảm bảo rằng bạn đã chấp nhận điều khoản sử dụng của Gemma. Bạn có thể chấp nhận giấy phép trên Hugging Face bằng cách nhấp vào nút Agree and access repository (Đồng ý và truy cập vào kho lưu trữ) trên trang mô hình tại: http://huggingface.co/google/gemma-3-1b-pt
Sau khi chấp nhận giấy phép, bạn cần có Mã thông báo Hugging Face hợp lệ để truy cập vào mô hình. Nếu đang chạy bên trong Google Colab, bạn có thể sử dụng mã thông báo Hugging Face một cách an toàn bằng cách sử dụng các khoá Colab, nếu không, bạn có thể đặt mã thông báo trực tiếp trong phương thức login
. Đảm bảo mã thông báo của bạn cũng có quyền ghi khi bạn đẩy mô hình vào Trung tâm trong quá trình huấn luyện.
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)
Tạo và chuẩn bị tập dữ liệu tinh chỉnh
Khi tinh chỉnh LLM, điều quan trọng là bạn phải biết trường hợp sử dụng và nhiệm vụ bạn muốn giải quyết. Điều này giúp bạn tạo một tập dữ liệu để tinh chỉnh mô hình. Nếu chưa xác định trường hợp sử dụng, bạn nên quay lại bảng vẽ.
Ví dụ: hướng dẫn này tập trung vào trường hợp sử dụng sau:
- Điều chỉnh ngôn ngữ tự nhiên thành mô hình SQL để tích hợp liền mạch vào công cụ phân tích dữ liệu. Mục tiêu là giảm đáng kể thời gian và chuyên môn cần thiết để tạo truy vấn SQL, cho phép ngay cả những người dùng không có chuyên môn kỹ thuật cũng có thể trích xuất thông tin chi tiết có ý nghĩa từ dữ liệu.
Văn bản sang SQL có thể là một trường hợp sử dụng phù hợp để tinh chỉnh LLM, vì đây là một nhiệm vụ phức tạp đòi hỏi nhiều kiến thức (nội bộ) về dữ liệu và ngôn ngữ SQL.
Sau khi xác định rằng việc tinh chỉnh là giải pháp phù hợp, bạn cần có một tập dữ liệu để tinh chỉnh. Tập dữ liệu phải là một tập hợp đa dạng các minh hoạ về(các) nhiệm vụ mà bạn muốn giải quyết. Có một số cách để tạo tập dữ liệu như vậy, bao gồm:
- Sử dụng các tập dữ liệu nguồn mở hiện có, chẳng hạn như Spider
- Sử dụng tập dữ liệu tổng hợp do LLM tạo, chẳng hạn như Alpaca
- Sử dụng các tập dữ liệu do con người tạo, chẳng hạn như Dolly.
- Sử dụng kết hợp các phương thức, chẳng hạn như Orca
Mỗi phương pháp đều có ưu và nhược điểm riêng, đồng thời phụ thuộc vào ngân sách, thời gian và yêu cầu về chất lượng. Ví dụ: việc sử dụng tập dữ liệu hiện có là cách dễ nhất nhưng có thể không phù hợp với trường hợp sử dụng cụ thể của bạn, trong khi việc sử dụng chuyên gia trong lĩnh vực có thể là cách chính xác nhất nhưng có thể tốn thời gian và tốn kém. Bạn cũng có thể kết hợp một số phương thức để tạo tập dữ liệu hướng dẫn, như trong bài viết Orca: Học tiến bộ từ dấu vết giải thích phức tạp của GPT-4.
Hướng dẫn này sử dụng một tập dữ liệu hiện có (philschmid/gretel-synthetic-text-to-sql), một tập dữ liệu Văn bản sang SQL tổng hợp chất lượng cao bao gồm hướng dẫn bằng ngôn ngữ tự nhiên, định nghĩa giản đồ, lý luận và truy vấn SQL tương ứng.
Hugging Face TRL hỗ trợ tạo mẫu tự động cho các định dạng tập dữ liệu cuộc trò chuyện. Điều này có nghĩa là bạn chỉ cần chuyển đổi tập dữ liệu thành các đối tượng json phù hợp và trl
sẽ xử lý việc tạo mẫu và đặt tập dữ liệu đó vào định dạng phù hợp.
{"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 chứa hơn 100 nghìn mẫu. Để giữ cho hướng dẫn có kích thước nhỏ, hướng dẫn này được lấy mẫu giảm để chỉ sử dụng 10.000 mẫu.
Giờ đây, bạn có thể sử dụng thư viện Tập dữ liệu Hugging Face để tải tập dữ liệu và tạo mẫu lời nhắc để kết hợp hướng dẫn bằng ngôn ngữ tự nhiên, định nghĩa giản đồ và thêm thông báo hệ thống cho trợ lý.
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"])
Tinh chỉnh Gemma bằng TRL và SFTTrainer
Giờ thì bạn đã sẵn sàng tinh chỉnh mô hình. SFTTrainer của Hugging Face TRL giúp bạn dễ dàng giám sát việc tinh chỉnh các LLM mở. SFTTrainer
là một lớp con của Trainer
trong thư viện transformers
và hỗ trợ tất cả các tính năng tương tự, bao gồm cả tính năng ghi nhật ký, đánh giá và kiểm tra điểm, nhưng bổ sung thêm các tính năng chất lượng cuộc sống, bao gồm:
- Định dạng tập dữ liệu, bao gồm cả định dạng trò chuyện và hướng dẫn
- Chỉ huấn luyện về các lượt hoàn thành, bỏ qua lời nhắc
- Gói tập dữ liệu để huấn luyện hiệu quả hơn
- Hỗ trợ tinh chỉnh hiệu quả theo tham số (PEFT) bao gồm cả QloRA
- Chuẩn bị mô hình và trình tạo mã thông báo để tinh chỉnh cuộc trò chuyện (chẳng hạn như thêm mã thông báo đặc biệt)
Mã sau đây tải mô hình Gemma và trình tạo mã thông báo từ Hugging Face, đồng thời khởi chạy cấu hình lượng tử hoá.
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
hỗ trợ tích hợp gốc với peft
, giúp bạn dễ dàng điều chỉnh LLM hiệu quả bằng QLoRA. Bạn chỉ cần tạo một LoraConfig
và cung cấp cho trình huấn luyện.
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
)
Trước khi bắt đầu huấn luyện, bạn cần xác định tham số siêu dữ liệu mà bạn muốn sử dụng trong một thực thể 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
}
)
Giờ đây, bạn đã có mọi thành phần cần thiết để tạo SFTTrainer
nhằm bắt đầu huấn luyện mô hình.
from trl import SFTTrainer
# Create Trainer object
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=dataset["train"],
peft_config=peft_config,
processing_class=tokenizer
)
Bắt đầu huấn luyện bằng cách gọi phương thức 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()
Trước khi kiểm thử mô hình, hãy nhớ giải phóng bộ nhớ.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
Khi sử dụng QLoRA, bạn chỉ huấn luyện bộ chuyển đổi chứ không phải toàn bộ mô hình. Điều này có nghĩa là khi lưu mô hình trong quá trình huấn luyện, bạn chỉ lưu trọng số của bộ chuyển đổi chứ không phải toàn bộ mô hình. Nếu muốn lưu toàn bộ mô hình để dễ dàng sử dụng với các ngăn xếp phân phát như vLLM hoặc TGI, bạn có thể hợp nhất trọng số của bộ chuyển đổi vào trọng số của mô hình bằng phương thức merge_and_unload
, sau đó lưu mô hình bằng phương thức save_pretrained
. Thao tác này sẽ lưu một mô hình mặc định có thể dùng để suy luận.
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")
Kiểm thử suy luận mô hình và tạo truy vấn SQL
Sau khi quá trình huấn luyện hoàn tất, bạn nên đánh giá và kiểm thử mô hình. Bạn có thể tải nhiều mẫu từ tập dữ liệu kiểm thử và đánh giá mô hình trên các mẫu đó.
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)
Hãy tải một mẫu ngẫu nhiên từ tập dữ liệu kiểm thử và tạo một lệnh 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()}")
Tóm tắt và các bước tiếp theo
Hướng dẫn này trình bày cách tinh chỉnh mô hình Gemma bằng TRL và QLoRA. Tiếp theo, hãy xem các tài liệu sau:
- Tìm hiểu cách tạo văn bản bằng mô hình Gemma.
- Tìm hiểu cách điều chỉnh Gemma cho các tác vụ thị giác bằng cách sử dụng Hugging Face Transformers.
- Tìm hiểu cách điều chỉnh và suy luận phân tán trên mô hình Gemma.
- Tìm hiểu cách sử dụng các mô hình mở Gemma bằng Vertex AI.
- Tìm hiểu cách tinh chỉnh Gemma bằng KerasNLP và triển khai cho Vertex AI.