|
|
In Google Colab ausführen
|
|
|
Quelle auf GitHub ansehen
|
In diesem Leitfaden wird beschrieben, wie Sie Gemma mit Hugging Face Transformers und TRL für eine Vision-Aufgabe (Produktbeschreibungen generieren) auf einem benutzerdefinierten Bild- und Text-Dataset optimieren. Lerninhalte:
- Was ist Quantized Low-Rank Adaptation (QLoRA)?
- Entwicklungsumgebung einrichten
- Dataset für das Fine-Tuning erstellen und vorbereiten
- Gemma mit TRL und SFTTrainer optimieren
- Testen Sie die Modellinferenz und generieren Sie Produktbeschreibungen aus Bildern und Text.
Was ist Quantized Low-Rank Adaptation (QLoRA)?
In dieser Anleitung wird die Verwendung von Quantized Low-Rank Adaptation (QLoRA) demonstriert. Diese Methode hat sich als beliebte Methode zur effizienten Feinabstimmung von LLMs etabliert, da sie den Bedarf an Rechenressourcen reduziert und gleichzeitig eine hohe Leistung beibehält. Bei QLoRA wird das vortrainierte Modell auf 4 Bit quantisiert und die Gewichte werden eingefroren. Anschließend werden trainierbare Adapterschichten (LoRA) angehängt und nur die Adapterschichten werden trainiert. Anschließend können die Adaptergewichte mit dem Basismodell zusammengeführt oder als separater Adapter beibehalten werden.
Entwicklungsumgebung einrichten
Im ersten Schritt installieren Sie die Hugging Face-Bibliotheken, einschließlich TRL, und Datasets, um das offene Modell abzustimmen.
# Install Pytorch & other libraries
%pip install torch tensorboard torchvision
# Install Transformers
%pip install transformers
# Install Hugging Face libraries
%pip install datasets accelerate evaluate bitsandbytes trl peft protobuf pillow 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
Hinweis: Wenn Sie eine GPU mit Ampere-Architektur (z. B. NVIDIA L4) oder neuer verwenden, können Sie Flash Attention verwenden. Flash Attention ist eine Methode, die Berechnungen erheblich beschleunigt und die Speichernutzung von quadratisch auf linear in der Sequenzlänge reduziert, was zu einer bis zu dreifachen Beschleunigung des Trainings führt. FlashAttention
Sie benötigen ein gültiges Hugging Face-Token, um Ihr Modell zu veröffentlichen. Wenn Sie Google Colab verwenden, können Sie Ihr Hugging Face-Token sicher über Colab-Secrets verwenden. Andernfalls können Sie das Token direkt in der Methode login festlegen. Achten Sie darauf, dass Ihr Token auch Schreibzugriff hat, da Sie Ihr Modell während des Trainings in den Hub hochladen.
# Login into Hugging Face Hub
from huggingface_hub import login
login()
Dataset für das Fine-Tuning erstellen und vorbereiten
Beim Fine-Tuning von LLMs ist es wichtig, dass Sie Ihren Anwendungsfall und die Aufgabe kennen, die Sie lösen möchten. So können Sie einen Datensatz erstellen, um Ihr Modell abzustimmen. Wenn Sie Ihren Anwendungsfall noch nicht definiert haben, sollten Sie noch einmal von vorn beginnen.
In dieser Anleitung wird der folgende Anwendungsfall als Beispiel verwendet:
- Ein Gemma-Modell wird so feinabgestimmt, dass es prägnante, SEO-optimierte Produktbeschreibungen für eine E-Commerce-Plattform generiert, die speziell auf die mobile Suche zugeschnitten sind.
In diesem Leitfaden wird der Datensatz philschmid/amazon-product-descriptions-vlm verwendet, ein Datensatz mit Amazon-Produktbeschreibungen, einschließlich Produktbildern und ‑kategorien.
Hugging Face TRL unterstützt multimodale Unterhaltungen. Wichtig ist die Rolle „image“, die der Verarbeitungsklasse mitteilt, dass das Bild geladen werden soll. Die Struktur sollte so aussehen:
{"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": "..."}]}]}
Sie können jetzt die Hugging Face Datasets-Bibliothek verwenden, um das Dataset zu laden und eine Prompt-Vorlage zu erstellen, um das Bild, den Produktnamen und die Kategorie zu kombinieren und eine Systemnachricht hinzuzufügen. Das Dataset enthält Bilder als Pil.Image-Objekte.
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}],
"content": 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")
dataset = dataset.train_test_split(test_size=0.1)
# Convert dataset to OAI messages
# need to use list comprehension to keep Pil.Image type, .mape convert image to bytes
dataset_train = [format_data(sample) for sample in dataset["train"]]
dataset_test = [format_data(sample) for sample in dataset["test"]]
print(dataset_train[345]["messages"])
README.md: 0.00B [00:00, ?B/s]
data/train-00000-of-00001.parquet: 0%| | 0.00/47.6M [00:00<?, ?B/s]
Generating train split: 0%| | 0/1345 [00:00<?, ? examples/s]
[{'role': 'system', 'content': 'You are an expert product description writer for Amazon.'}, {'role': 'user', 'content': [{'type': 'text', 'text': "Create a Short Product description based on the provided <PRODUCT> and <CATEGORY> and image.\nOnly return description. The description should be SEO optimized and for a better mobile search experience.\n\n<PRODUCT>\nRazor Agitator BMX/Freestyle Bike, 20-Inch\n</PRODUCT>\n\n<CATEGORY>\nSports & Outdoors | Outdoor Recreation | Cycling | Kids' Bikes & Accessories | Kids' Bikes\n</CATEGORY>\n"}, {'type': 'image', 'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=500x413 at 0x7B7250181790>}]}, {'role': 'assistant', 'content': [{'type': 'text', 'text': 'Conquer the streets with the Razor Agitator BMX Bike! This 20-inch freestyle bike is built for young riders ready to take on any challenge. Durable frame, responsive handling – perfect for tricks and cruising. Get yours today!'}]}]
Gemma mit TRL und SFTTrainer optimieren
Jetzt können Sie Ihr Modell abstimmen. Mit SFTTrainer von Hugging Face TRL lässt sich die Feinabstimmung von offenen LLMs ganz einfach überwachen. SFTTrainer ist eine Unterklasse von Trainer aus der transformers-Bibliothek und unterstützt alle Funktionen, einschließlich Logging, Auswertung und Checkpointing. Außerdem bietet sie zusätzliche Funktionen, die die Nutzung erleichtern:
- Dataset-Formatierung, einschließlich Unterhaltungs- und Anweisungsformaten
- Nur auf Vervollständigungen trainieren, Prompts ignorieren
- Datasets für ein effizienteres Training packen
- Unterstützung von Parameter-efficient Fine-tuning (PEFT), einschließlich QLoRA
- Vorbereiten des Modells und des Tokenizers für die Optimierung für Unterhaltungen (z. B. Hinzufügen von speziellen Tokens)
Mit dem folgenden Code werden das Gemma-Modell und der Tokenizer von Hugging Face geladen und die Quantisierungskonfiguration wird initialisiert.
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText, BitsAndBytesConfig
# Hugging Face model id
model_id = "google/gemma-4-E2B" # @param ["google/gemma-4-E2B","google/gemma-4-E4B"] {"allow-input":true}
# 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(
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["dtype"],
bnb_4bit_quant_storage=model_kwargs["dtype"],
)
# Load model and tokenizer
model = AutoModelForImageTextToText.from_pretrained(model_id, **model_kwargs)
processor = AutoProcessor.from_pretrained("google/gemma-4-E2B-it") # Load the Instruction Tokenizer to use the official Gemma template
config.json: 0.00B [00:00, ?B/s] model.safetensors: 0%| | 0.00/10.2G [00:00<?, ?B/s] Loading weights: 0%| | 0/2011 [00:00<?, ?it/s] generation_config.json: 0%| | 0.00/149 [00:00<?, ?B/s] processor_config.json: 0.00B [00:00, ?B/s] chat_template.jinja: 0.00B [00:00, ?B/s] config.json: 0.00B [00:00, ?B/s] tokenizer_config.json: 0.00B [00:00, ?B/s] tokenizer.json: 0%| | 0.00/32.2M [00:00<?, ?B/s]
Die SFTTrainer unterstützt eine integrierte Einbindung von peft, sodass sich LLMs mit QLoRA effizient abstimmen lassen. Sie müssen nur ein LoraConfig erstellen und dem Kursleiter zur Verfügung stellen.
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
ensure_weight_tying=True,
)
Bevor Sie mit dem Training beginnen können, müssen Sie den Hyperparameter, den Sie verwenden möchten, in einem SFTConfig und einem benutzerdefinierten collate_fn für die Verarbeitung von Bildern definieren. Die collate_fn wandelt die Nachrichten mit Text und Bildern in ein Format um, das das Modell verstehen kann.
from trl import SFTConfig
args = SFTConfig(
output_dir="gemma-product-description", # directory to save and repository id
num_train_epochs=3, # number of training epochs
per_device_train_batch_size=1, # batch size per device during training
optim="adamw_torch_fused", # use fused adamw optimizer
logging_steps=5, # log every 5 steps
save_strategy="epoch", # save checkpoint every epoch
eval_strategy="epoch", # evaluate 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
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_text_field="", # need a dummy field for collator
dataset_kwargs={"skip_prepare_dataset": True}, # important for collator
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 tokens for not being used in the loss computation
labels[labels == processor.tokenizer.pad_token_id] = -100
labels[labels == processor.tokenizer.boi_token_id] = -100
labels[labels == processor.tokenizer.image_token_id] = -100
labels[labels == processor.tokenizer.eoi_token_id] = -100
batch["labels"] = labels
return batch
Sie haben jetzt alle Bausteine, die Sie zum Erstellen von SFTTrainer benötigen, um das Training Ihres Modells zu starten.
from trl import SFTTrainer
# Create Trainer object
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=dataset_train,
eval_dataset=dataset_test,
peft_config=peft_config,
processing_class=processor,
data_collator=collate_fn,
)
Starten Sie das Training, indem Sie die Methode train() aufrufen.
# 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()
The tokenizer has new PAD/BOS/EOS tokens that differ from the model config and generation config. The model config and generation config were aligned accordingly, being updated with the tokenizer's values. Updated tokens: {'eos_token_id': 1, 'bos_token_id': 2, 'pad_token_id': 0}.
Bevor Sie Ihr Modell testen können, müssen Sie den Speicher freigeben.
# free the memory again
del model
del trainer
torch.cuda.empty_cache()
Bei QLoRA werden nur Adapter trainiert, nicht das gesamte Modell. Das bedeutet, dass beim Speichern des Modells während des Trainings nur die Adaptergewichte und nicht das vollständige Modell gespeichert werden. Wenn Sie das vollständige Modell speichern möchten, um es einfacher mit Serving-Stacks wie vLLM oder TGI zu verwenden, können Sie die Adaptergewichte mit der Methode merge_and_unload in die Modellgewichte einfügen und das Modell dann mit der Methode save_pretrained speichern. Dadurch wird ein Standardmodell gespeichert, das für die Inferenz verwendet werden kann.
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")
Loading weights: 0%| | 0/2011 [00:00<?, ?it/s] Writing model shards: 0%| | 0/5 [00:00<?, ?it/s] ['merged_model/processor_config.json']
Modellinferenz testen und Produktbeschreibungen generieren
Nach dem Training sollten Sie Ihr Modell bewerten und testen. Sie können verschiedene Stichproben aus dem Test-Dataset laden und das Modell anhand dieser Stichproben bewerten.
model_id = "merged_model"
# Load Model with PEFT adapter
model = AutoModelForImageTextToText.from_pretrained(
model_id,
device_map="auto",
dtype="auto",
)
processor = AutoProcessor.from_pretrained(model_id)
Loading weights: 0%| | 0/2012 [00:00<?, ?it/s] The tied weights mapping and config for this model specifies to tie model.language_model.embed_tokens.weight to lm_head.weight, but both are present in the checkpoints with different values, so we will NOT tie them. You should update the config with `tie_word_embeddings=False` to silence this warning.
Sie können die Inferenz testen, indem Sie einen Produktnamen, eine Kategorie und ein Bild angeben. Das sample enthält eine Marvel-Actionfigur.
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": 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
)
print(text)
# 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("<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("MODEL OUTPUT>> \n")
print(description)
<bos><|turn>system You are an expert product description writer for Amazon.<turn|> <|turn>user <|image|> 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> Hasbro Marvel Avengers-Serie Marvel Assemble Titan-Held, Iron Man, 30,5 cm Actionfigur </PRODUCT> <CATEGORY> Toys & Games | Toy Figures & Playsets | Action Figures </CATEGORY><turn|> <|turn>model MODEL OUTPUT>> Enhance your collection with the Marvel Avengers - Avengers Assemble Ultron-Comforter Set! This soft and cuddly blanket and pillowcase feature everyone's favorite Avengers, Iron Man, and his loyal companion War Machine. Officially licensed by Marvel. Bring home the heroic team!
Zusammenfassung und nächste Schritte
In dieser Anleitung wurde beschrieben, wie Sie ein Gemma-Modell für Vision-Aufgaben mit TRL und QLoRA abstimmen, insbesondere für die Generierung von Produktbeschreibungen. Lesen Sie als Nächstes die folgenden Dokumente:
- Weitere Informationen zum Generieren von Text mit einem Gemma-Modell
- Gemma für Textaufgaben mit Hugging Face Transformers optimieren
- Vollständige Modellabstimmung mit Hugging Face Transformers
- Informationen zum verteilten Fine-Tuning und zur Inferenz eines Gemma-Modells
- Informationen zum Verwenden offener Gemma-Modelle mit Vertex AI
- Gemma mit KerasNLP optimieren und in Vertex AI bereitstellen
In Google Colab ausführen
Quelle auf GitHub ansehen