হাগিং ফেস ট্রান্সফরমার এবং টিআরএল ব্যবহার করে ভিশন টাস্কের (পণ্যের বিবরণ তৈরি করা) জন্য কাস্টম ইমেজ এবং টেক্সট ডেটাসেটে জেমাকে কীভাবে সূক্ষ্ম-টিউন করা যায় তা এই নির্দেশিকা আপনাকে নির্দেশ করে। আপনি শিখবেন:
- কোয়ান্টাইজড লো-র্যাঙ্ক অ্যাডাপ্টেশন (QLoRA) কি?
- উন্নয়ন পরিবেশ সেটআপ করুন
- ভিশন টাস্কের জন্য ফাইন-টিউনিং ডেটাসেট তৈরি করুন এবং প্রস্তুত করুন
- TRL এবং SFTTtrainer ব্যবহার করে Gemma ফাইন-টিউন করুন
- মডেল ইনফারেন্স পরীক্ষা করুন এবং ছবি এবং পাঠ্য থেকে পণ্যের বিবরণ তৈরি করুন।
কোয়ান্টাইজড লো-র্যাঙ্ক অ্যাডাপ্টেশন (QLoRA) কি?
এই নির্দেশিকাটি কোয়ান্টাইজড লো-র্যাঙ্ক অ্যাডাপ্টেশন (QLoRA) এর ব্যবহার প্রদর্শন করে, যা LLM-কে দক্ষতার সাথে সূক্ষ্ম-সুর করার জন্য একটি জনপ্রিয় পদ্ধতি হিসাবে আবির্ভূত হয়েছে কারণ এটি উচ্চ কার্যক্ষমতা বজায় রাখার সময় গণনামূলক সংস্থান প্রয়োজনীয়তা হ্রাস করে। QloRA-তে, পূর্ব-প্রশিক্ষিত মডেলটি 4-বিটে পরিমাপ করা হয় এবং ওজনগুলি হিমায়িত করা হয়। তারপর প্রশিক্ষণযোগ্য অ্যাডাপ্টার স্তরগুলি (LoRA) সংযুক্ত করা হয় এবং শুধুমাত্র অ্যাডাপ্টার স্তরগুলি প্রশিক্ষিত হয়। পরবর্তীতে, অ্যাডাপ্টারের ওজন বেস মডেলের সাথে একত্রিত করা যেতে পারে বা একটি পৃথক অ্যাডাপ্টার হিসাবে রাখা যেতে পারে।
উন্নয়ন পরিবেশ সেটআপ করুন
প্রথম ধাপ হল টিআরএল সহ হাগিং ফেস লাইব্রেরি ইনস্টল করা এবং ওপেন মডেলটি সূক্ষ্ম-টিউন করার জন্য ডেটাসেট।
# Install Pytorch & other libraries
%pip install "torch>=2.4.0" tensorboard torchvision
# 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" \
"pillow==11.1.0" \
protobuf \
sentencepiece
আপনি প্রশিক্ষণ শুরু করার আগে, আপনাকে নিশ্চিত করতে হবে যে আপনি জেমার ব্যবহারের শর্তাবলী গ্রহণ করেছেন। আপনি এখানে মডেল পৃষ্ঠাতে সম্মতি এবং অ্যাক্সেস সংগ্রহস্থল বোতামে ক্লিক করে আলিঙ্গন মুখের লাইসেন্স গ্রহণ করতে পারেন: http://huggingface.co/google/gemma-3-4b-pt (অথবা আপনি যে দৃষ্টি-সক্ষম জেমা মডেলটি ব্যবহার করছেন তার জন্য উপযুক্ত মডেল পৃষ্ঠা)।
আপনি লাইসেন্স গ্রহণ করার পরে, মডেলটি অ্যাক্সেস করার জন্য আপনার একটি বৈধ আলিঙ্গন ফেস টোকেন প্রয়োজন। আপনি যদি একটি Google Colab-এর ভিতরে দৌড়াচ্ছেন, তাহলে আপনি Colab গোপনীয়তা ব্যবহার করে আপনার আলিঙ্গন ফেস টোকেন নিরাপদে ব্যবহার করতে পারেন; অন্যথায়, আপনি login
পদ্ধতিতে সরাসরি টোকেন সেট করতে পারেন। নিশ্চিত করুন যে আপনার টোকেনে লেখার অ্যাক্সেসও রয়েছে, কারণ আপনি প্রশিক্ষণের সময় আপনার মডেলকে হাবের দিকে ঠেলে দেন।
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)
ফাইন-টিউনিং ডেটাসেট তৈরি করুন এবং প্রস্তুত করুন
এলএলএমগুলিকে ফাইন-টিউনিং করার সময়, আপনার ব্যবহারের ক্ষেত্রে এবং আপনি যে কাজটি সমাধান করতে চান তা জানা গুরুত্বপূর্ণ। এটি আপনাকে আপনার মডেলকে সূক্ষ্ম-টিউন করতে একটি ডেটাসেট তৈরি করতে সহায়তা করে। আপনি যদি আপনার ব্যবহারের ক্ষেত্রে এখনও সংজ্ঞায়িত না করে থাকেন তবে আপনি অঙ্কন বোর্ডে ফিরে যেতে চাইতে পারেন।
একটি উদাহরণ হিসাবে, এই নির্দেশিকা নিম্নলিখিত ব্যবহারের ক্ষেত্রে ফোকাস করে:
- একটি ইকমার্স প্ল্যাটফর্মের জন্য সংক্ষিপ্ত, এসইও-অপ্টিমাইজ করা পণ্যের বিবরণ তৈরি করতে একটি জেমা মডেলকে ফাইন-টিউনিং করা, বিশেষভাবে মোবাইল অনুসন্ধানের জন্য তৈরি।
এই নির্দেশিকাটি ফিলস্কমিড/অ্যামাজন-প্রোডাক্ট-ডেসক্রিপশন-ভিএলএম ডেটাসেট ব্যবহার করে, অ্যামাজন পণ্যের বিবরণের একটি ডেটাসেট, পণ্যের ছবি এবং বিভাগ সহ।
আলিঙ্গন ফেস TRL মাল্টিমডাল কথোপকথন সমর্থন করে। গুরুত্বপূর্ণ অংশ হল "চিত্র" ভূমিকা, যা প্রক্রিয়াকরণ ক্লাসকে বলে যে এটি ছবিটি লোড করা উচিত। কাঠামো অনুসরণ করা উচিত:
{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}
{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}
{"messages": [{"role": "system", "content": [{"type": "text", "text":"You are..."}]}, {"role": "user", "content": [{"type": "text", "text": "..."}, {"type": "image"}]}, {"role": "assistant", "content": [{"type": "text", "text": "..."}]}]}
আপনি এখন ডেটাসেট লোড করতে এবং চিত্র, পণ্যের নাম এবং বিভাগ একত্রিত করতে এবং একটি সিস্টেম বার্তা যোগ করতে একটি প্রম্পট টেমপ্লেট তৈরি করতে আলিঙ্গন ফেস ডেটাসেট লাইব্রেরি ব্যবহার করতে পারেন৷ ডেটাসেটে ছবিগুলিকে Pil.Image
অবজেক্ট হিসাবে অন্তর্ভুক্ত করা হয়।
from datasets import load_dataset
from PIL import Image
# System message for the assistant
system_message = "You are an expert product description writer for Amazon."
# User prompt that combines the user query and the schema
user_prompt = """Create a Short Product description based on the provided <PRODUCT> and <CATEGORY> and image.
Only return description. The description should be SEO optimized and for a better mobile search experience.
<PRODUCT>
{product}
</PRODUCT>
<CATEGORY>
{category}
</CATEGORY>
"""
# Convert dataset to OAI messages
def format_data(sample):
return {
"messages": [
{
"role": "system",
"content": [{"type": "text", "text": system_message}],
},
{
"role": "user",
"content": [
{
"type": "text",
"text": user_prompt.format(
product=sample["Product Name"],
category=sample["Category"],
),
},
{
"type": "image",
"image": sample["image"],
},
],
},
{
"role": "assistant",
"content": [{"type": "text", "text": sample["description"]}],
},
],
}
def process_vision_info(messages: list[dict]) -> list[Image.Image]:
image_inputs = []
# Iterate through each conversation
for msg in messages:
# Get content (ensure it's a list)
content = msg.get("content", [])
if not isinstance(content, list):
content = [content]
# Check each content element for images
for element in content:
if isinstance(element, dict) and (
"image" in element or element.get("type") == "image"
):
# Get the image and convert to RGB
if "image" in element:
image = element["image"]
else:
image = element
image_inputs.append(image.convert("RGB"))
return image_inputs
# Load dataset from the hub
dataset = load_dataset("philschmid/amazon-product-descriptions-vlm", split="train")
# Convert dataset to OAI messages
# need to use list comprehension to keep Pil.Image type, .mape convert image to bytes
dataset = [format_data(sample) for sample in dataset]
print(dataset[345]["messages"])
TRL এবং SFTTtrainer ব্যবহার করে Gemma ফাইন-টিউন করুন
আপনি এখন আপনার মডেল সূক্ষ্ম-টিউন করতে প্রস্তুত. আলিঙ্গন ফেস TRL SFTTrainer সূক্ষ্ম-টিউন ওপেন LLM তত্ত্বাবধান করা সহজ করে তোলে। SFTTrainer
হল transformers
লাইব্রেরি থেকে Trainer
একটি সাবক্লাস এবং লগিং, মূল্যায়ন এবং চেকপয়েন্টিং সহ সমস্ত একই বৈশিষ্ট্যগুলিকে সমর্থন করে, তবে অতিরিক্ত মানের জীবন বৈশিষ্ট্য যুক্ত করে, যার মধ্যে রয়েছে:
- কথোপকথন এবং নির্দেশ বিন্যাস সহ ডেটাসেট বিন্যাস
- প্রম্পট উপেক্ষা করে শুধুমাত্র সমাপ্তির উপর প্রশিক্ষণ
- আরও দক্ষ প্রশিক্ষণের জন্য ডেটাসেট প্যাক করা
- QloRA সহ প্যারামিটার-দক্ষ ফাইন-টিউনিং (PEFT) সমর্থন
- কথোপকথনমূলক ফাইন-টিউনিংয়ের জন্য মডেল এবং টোকেনাইজার প্রস্তুত করা (যেমন বিশেষ টোকেন যোগ করা)
নিচের কোডটি হ্যাগিং ফেস থেকে জেমা মডেল এবং টোকেনাইজার লোড করে এবং কোয়ান্টাইজেশন কনফিগারেশন শুরু করে।
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText, BitsAndBytesConfig
# Hugging Face model id
model_id = "google/gemma-3-4b-pt" # or `google/gemma-3-12b-pt`, `google/gemma-3-27-pt`
# Check if GPU benefits from bfloat16
if torch.cuda.get_device_capability()[0] < 8:
raise ValueError("GPU does not support bfloat16, please use a GPU that supports bfloat16.")
# Define model init arguments
model_kwargs = dict(
attn_implementation="eager", # Use "flash_attention_2" when running on Ampere or newer GPU
torch_dtype=torch.bfloat16, # What torch dtype to use, defaults to auto
device_map="auto", # Let torch decide how to load the model
)
# BitsAndBytesConfig int-4 config
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 = AutoModelForImageTextToText.from_pretrained(model_id, **model_kwargs)
processor = AutoProcessor.from_pretrained("google/gemma-3-4b-it")
SFTTrainer
peft
সাথে একটি বিল্ট-ইন ইন্টিগ্রেশন সমর্থন করে, যা QLoRA ব্যবহার করে LLM-গুলিকে দক্ষতার সাথে টিউন করা সহজ করে তোলে। আপনাকে শুধুমাত্র একটি LoraConfig
তৈরি করতে হবে এবং এটি প্রশিক্ষককে প্রদান করতে হবে।
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",
],
)
আপনি আপনার প্রশিক্ষণ শুরু করার আগে, আপনাকে SFTConfig
এ যে হাইপারপ্যারামিটার ব্যবহার করতে চান এবং দৃষ্টি প্রক্রিয়াকরণ পরিচালনা করার জন্য একটি কাস্টম collate_fn
সংজ্ঞায়িত করতে হবে। collate_fn
পাঠ্য এবং চিত্র সহ বার্তাগুলিকে একটি বিন্যাসে রূপান্তর করে যা মডেল বুঝতে পারে।
from trl import SFTConfig
args = SFTConfig(
output_dir="gemma-product-description", # directory to save and repository id
num_train_epochs=1, # 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=5, # log every 5 steps
save_strategy="epoch", # save checkpoint every epoch
learning_rate=2e-4, # learning rate, based on QLoRA paper
bf16=True, # 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
gradient_checkpointing_kwargs={
"use_reentrant": False
}, # use reentrant checkpointing
dataset_text_field="", # need a dummy field for collator
dataset_kwargs={"skip_prepare_dataset": True}, # important for collator
)
args.remove_unused_columns = False # important for collator
# Create a data collator to encode text and image pairs
def collate_fn(examples):
texts = []
images = []
for example in examples:
image_inputs = process_vision_info(example["messages"])
text = processor.apply_chat_template(
example["messages"], add_generation_prompt=False, tokenize=False
)
texts.append(text.strip())
images.append(image_inputs)
# Tokenize the texts and process the images
batch = processor(text=texts, images=images, return_tensors="pt", padding=True)
# The labels are the input_ids, and we mask the padding tokens and image tokens in the loss computation
labels = batch["input_ids"].clone()
# Mask image tokens
image_token_id = [
processor.tokenizer.convert_tokens_to_ids(
processor.tokenizer.special_tokens_map["boi_token"]
)
]
# Mask tokens for not being used in the loss computation
labels[labels == processor.tokenizer.pad_token_id] = -100
labels[labels == image_token_id] = -100
labels[labels == 262144] = -100
batch["labels"] = labels
return batch
আপনার মডেলের প্রশিক্ষণ শুরু করার জন্য আপনার SFTTrainer
তৈরি করতে আপনার প্রয়োজনীয় প্রতিটি বিল্ডিং ব্লক রয়েছে।
from trl import SFTTrainer
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=dataset,
peft_config=peft_config,
processing_class=processor,
data_collator=collate_fn,
)
train()
পদ্ধতিতে কল করে প্রশিক্ষণ শুরু করুন।
# 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()
আপনি আপনার মডেল পরীক্ষা করার আগে, মেমরি মুক্ত নিশ্চিত করুন.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
QLoRA ব্যবহার করার সময়, আপনি শুধুমাত্র অ্যাডাপ্টারদের প্রশিক্ষণ দেন এবং সম্পূর্ণ মডেল নয়। এর অর্থ হল প্রশিক্ষণের সময় মডেলটি সংরক্ষণ করার সময় আপনি শুধুমাত্র অ্যাডাপ্টারের ওজন সংরক্ষণ করেন এবং সম্পূর্ণ মডেল নয়। আপনি যদি সম্পূর্ণ মডেলটি সংরক্ষণ করতে চান, যা vLLM বা TGI এর মতো পরিবেশন স্ট্যাকের সাথে ব্যবহার করা সহজ করে, আপনি merge_and_unload
পদ্ধতি ব্যবহার করে অ্যাডাপ্টারের ওজনগুলিকে মডেল ওজনের সাথে মার্জ করতে পারেন এবং তারপর save_pretrained
পদ্ধতিতে মডেলটিকে সংরক্ষণ করতে পারেন। এটি একটি ডিফল্ট মডেল সংরক্ষণ করে, যা অনুমানের জন্য ব্যবহার করা যেতে পারে।
from peft import PeftModel
# Load Model base model
model = AutoModelForImageTextToText.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 = AutoProcessor.from_pretrained(args.output_dir)
processor.save_pretrained("merged_model")
মডেল ইনফারেন্স পরীক্ষা করুন এবং পণ্যের বিবরণ তৈরি করুন
প্রশিক্ষণ শেষ হওয়ার পরে, আপনি আপনার মডেলের মূল্যায়ন এবং পরীক্ষা করতে চাইবেন। আপনি পরীক্ষার ডেটাসেট থেকে বিভিন্ন নমুনা লোড করতে পারেন এবং সেই নমুনাগুলিতে মডেলটির মূল্যায়ন করতে পারেন।
import torch
# Load Model with PEFT adapter
model = AutoModelForImageTextToText.from_pretrained(
args.output_dir,
device_map="auto",
torch_dtype=torch.bfloat16,
attn_implementation="eager",
)
processor = AutoProcessor.from_pretrained(args.output_dir)
আপনি একটি পণ্যের নাম, বিভাগ এবং চিত্র প্রদান করে অনুমান পরীক্ষা করতে পারেন। sample
একটি বিস্ময়কর কর্ম চিত্র অন্তর্ভুক্ত.
import requests
from PIL import Image
# Test sample with Product Name, Category and Image
sample = {
"product_name": "Hasbro Marvel Avengers-Serie Marvel Assemble Titan-Held, Iron Man, 30,5 cm Actionfigur",
"category": "Toys & Games | Toy Figures & Playsets | Action Figures",
"image": Image.open(requests.get("https://m.media-amazon.com/images/I/81+7Up7IWyL._AC_SY300_SX300_.jpg", stream=True).raw).convert("RGB")
}
def generate_description(sample, model, processor):
# Convert sample into messages and then apply the chat template
messages = [
{"role": "system", "content": [{"type": "text", "text": system_message}]},
{"role": "user", "content": [
{"type": "image","image": sample["image"]},
{"type": "text", "text": user_prompt.format(product=sample["product_name"], category=sample["category"])},
]},
]
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
# Process the image and text
image_inputs = process_vision_info(messages)
# Tokenize the text and process the images
inputs = processor(
text=[text],
images=image_inputs,
padding=True,
return_tensors="pt",
)
# Move the inputs to the device
inputs = inputs.to(model.device)
# Generate the output
stop_token_ids = [processor.tokenizer.eos_token_id, processor.tokenizer.convert_tokens_to_ids("<end_of_turn>")]
generated_ids = model.generate(**inputs, max_new_tokens=256, top_p=1.0, do_sample=True, temperature=0.8, eos_token_id=stop_token_ids, disable_compile=True)
# Trim the generation and decode the output to text
generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
return output_text[0]
# generate the description
description = generate_description(sample, model, processor)
print(description)
সারাংশ এবং পরবর্তী পদক্ষেপ
এই টিউটোরিয়ালে TRL এবং QLoRA ব্যবহার করে, বিশেষ করে পণ্যের বিবরণ তৈরি করার জন্য দৃষ্টি কাজের জন্য একটি জেমা মডেলকে কীভাবে সূক্ষ্ম-টিউন করা যায় তা কভার করা হয়েছে। পরবর্তীতে নিম্নলিখিত নথিগুলি দেখুন:
- একটি জেমা মডেলের সাথে কীভাবে পাঠ্য তৈরি করতে হয় তা শিখুন।
- হাগিং ফেস ট্রান্সফরমার ব্যবহার করে টেক্সট টাস্কের জন্য জেমাকে কীভাবে ফাইন-টিউন করবেন তা শিখুন।
- একটি জেমা মডেলে কীভাবে বিতরণ করা ফাইন-টিউনিং এবং অনুমান সম্পাদন করতে হয় তা শিখুন।
- Vertex AI এর সাথে জেমা ওপেন মডেলগুলি কীভাবে ব্যবহার করবেন তা শিখুন।
- KerasNLP ব্যবহার করে Gemma কিভাবে ফাইন-টিউন করবেন এবং Vertex AI-তে স্থাপন করবেন তা শিখুন।