การปรับแต่ง Gemma โดยใช้ JAX และ Flax

ดูใน ai.google.dev

เรียกใช้ใน Google Colab

เปิดใน Vertex AI

ดูแหล่งที่มาใน GitHub

ภาพรวม

Gemma เป็นตระกูลโมเดลภาษาขนาดใหญ่แบบเปิดที่ทันสมัยและเรียบง่าย อิงจากงานวิจัยและเทคโนโลยีของ Google DeepMind Gemini บทแนะนำนี้สาธิตวิธีปรับแต่งโมเดล Gemma 2B ให้คำแนะนำสำหรับงานแปลภาษาภาษาอังกฤษ-ฝรั่งเศสโดยใช้ไลบรารี gemma ของ Google DeepMind, JAX (ไลบรารีการประมวลผลตัวเลขประสิทธิภาพสูง), Flax (ไลบรารีเครือข่ายระบบประสาทแบบ JAX), Chex (ไลบรารียูทิลิตีสำหรับการเขียนโค้ด JAX แบบ JAX1) และOptax การไล่ระดับสี {ชุดข้อมูล NT2 (การไล่ระดับสีและไลบรารีข้อความ NT2 ที่เชื่อถือได้) แม้ว่าไม่ได้ใช้ Flax ในสมุดบันทึกนี้โดยตรง แต่ใช้ Flax เพื่อสร้าง Gemma

ไลบรารี gemma เขียนด้วย JAX, Flax, Orbax (ไลบรารีแบบ JAX สำหรับยูทิลิตีการฝึกต่างๆ เช่น จุดตรวจสอบ) และ SentencePiece (ไลบรารีโทเค็น/ดีโทเคนเซอร์)

ตั้งค่า

1. ตั้งค่าการเข้าถึง Kaggle สำหรับ Gemma

หากต้องการจบบทแนะนำนี้ ก่อนอื่นคุณต้องทำตามวิธีการตั้งค่าที่การตั้งค่า Gemma ซึ่งแสดงวิธีดำเนินการต่อไปนี้

• รับสิทธิ์เข้าถึง Gemma ใน kaggle.com
• เลือกรันไทม์ของ Colab ที่มีทรัพยากรเพียงพอที่จะเรียกใช้โมเดล Gemma
• สร้างและกำหนดค่าชื่อผู้ใช้และคีย์ API ของ Kaggle

หลังจากตั้งค่า Gemma เสร็จแล้ว ให้ไปยังส่วนถัดไปซึ่งจะตั้งค่าตัวแปรสภาพแวดล้อมสำหรับสภาพแวดล้อม Colab

2. ตั้งค่าตัวแปรสภาพแวดล้อม

ตั้งค่าตัวแปรสภาพแวดล้อมสำหรับ KAGGLE_USERNAME และ KAGGLE_KEY เมื่อมีข้อความแจ้งด้วยข้อความ "ให้สิทธิ์เข้าถึงไหม" ยอมรับการเข้าถึงข้อมูลลับ

import os
from google.colab import userdata # `userdata` is a Colab API.

os.environ["KAGGLE_USERNAME"] = userdata.get('KAGGLE_USERNAME')
os.environ["KAGGLE_KEY"] = userdata.get('KAGGLE_KEY')

3. ติดตั้งไลบรารี gemma

การเร่งฮาร์ดแวร์ฟรีของ Colab ยังไม่เพียงพอในการเรียกใช้สมุดบันทึกนี้ หากคุณใช้ Colab Pay As You Go หรือ Colab Pro ให้คลิกแก้ไข > การตั้งค่าสมุดบันทึก > เลือก A100 GPU > บันทึกเพื่อเปิดใช้การเร่งฮาร์ดแวร์

ถัดไป คุณต้องติดตั้งไลบรารี Google DeepMind gemma จาก github.com/google-deepmind/gemma หากคุณได้รับข้อผิดพลาดเกี่ยวกับ "รีโซลเวอร์ทรัพยากร Dependency ของ PIP" โดยปกติแล้วคุณไม่ต้องสนใจ

pip install -q git+https://github.com/google-deepmind/gemma.git

4. นำเข้าไลบรารี

สมุดบันทึกนี้ใช้ Flax (สําหรับโครงข่ายระบบประสาทเทียม), JAX, SentencePiece (สําหรับการแปลงข้อมูลเป็นโทเค็น), Chex (ไลบรารียูทิลิตีสําหรับการเขียนโค้ด JAX ที่เชื่อถือได้) และชุดข้อมูล TensorFlow

import os
import enum
import re
import string

import chex
import jax
import jax.numpy as jnp
import optax

import tensorflow as tf
import tensorflow_datasets as tfds

from gemma import params as params_lib
from gemma import sampler as sampler_lib
from gemma import transformer as transformer_lib
import sentencepiece as spm

โหลดโมเดล Gemma

โหลดโมเดล Gemma ด้วย kagglehub.model_download ซึ่งมีอาร์กิวเมนต์ 3 อย่าง ดังนี้

• handle: แฮนเดิลโมเดลจาก Kaggle
• path: (สตริงที่ไม่บังคับ) เส้นทางในเครื่อง
• force_download: (บูลีนที่ไม่บังคับ) บังคับให้ดาวน์โหลดโมเดลอีกครั้ง

GEMMA_VARIANT = '2b-it' # @param ['2b', '2b-it'] {type:"string"}

import kagglehub

GEMMA_PATH = kagglehub.model_download(f'google/gemma/flax/{GEMMA_VARIANT}')

Downloading from https://www.kaggle.com/api/v1/models/google/gemma/flax/2b-it/2/download...
100%|██████████| 3.67G/3.67G [00:26<00:00, 147MB/s]
Extracting model files...

print('GEMMA_PATH:', GEMMA_PATH)

GEMMA_PATH: /root/.cache/kagglehub/models/google/gemma/flax/2b-it/2

ตรวจสอบตำแหน่งของน้ำหนักโมเดลและเครื่องมือแปลงข้อมูลเป็นโทเค็น จากนั้นตั้งค่าตัวแปรเส้นทาง ไดเรกทอรีโทเคนไลซ์จะอยู่ในไดเรกทอรีหลักที่คุณดาวน์โหลดโมเดลไป ขณะที่น้ำหนักโมเดลจะอยู่ในไดเรกทอรีย่อย เช่น

• ไฟล์ tokenizer.model จะอยู่ใน /LOCAL/PATH/TO/gemma/flax/2b-it/2)
• จุดตรวจสอบโมเดลจะอยู่ใน /LOCAL/PATH/TO/gemma/flax/2b-it/2/2b-it)

CKPT_PATH = os.path.join(GEMMA_PATH, GEMMA_VARIANT)
TOKENIZER_PATH = os.path.join(GEMMA_PATH, 'tokenizer.model')
print('CKPT_PATH:', CKPT_PATH)
print('TOKENIZER_PATH:', TOKENIZER_PATH)

CKPT_PATH: /root/.cache/kagglehub/models/google/gemma/flax/2b-it/2/2b-it
TOKENIZER_PATH: /root/.cache/kagglehub/models/google/gemma/flax/2b-it/2/tokenizer.model

โหลดและเตรียมชุดข้อมูล MTNT และเครื่องมือแปลงข้อมูลเป็นโทเค็นของ Gemma

คุณจะต้องใช้ชุดข้อมูล MTNT (Machine Translation of Noisy Text) ซึ่งพร้อมใช้งานจากชุดข้อมูล TensorFlow

ดาวน์โหลดส่วนชุดข้อมูลภาษาอังกฤษเป็นฝรั่งเศสของชุดข้อมูล MTNT แล้วสุ่มตัวอย่าง 2 ตัวอย่าง ตัวอย่างแต่ละรายการในชุดข้อมูลประกอบด้วย 2 รายการ ได้แก่ src: ประโยคภาษาอังกฤษต้นฉบับ และ dst: คำแปลภาษาฝรั่งเศสที่เกี่ยวข้อง

ds = tfds.load("mtnt/en-fr", split="train")

ds = ds.take(2)
ds = ds.as_numpy_iterator()

for idx, example in enumerate(ds):
  print(f'Example {idx}:')
  for key, val in example.items():
    print(f'{key}: {val}')
  print()

Downloading and preparing dataset 35.08 MiB (download: 35.08 MiB, generated: 11.33 MiB, total: 46.41 MiB) to /root/tensorflow_datasets/mtnt/en-fr/1.0.0...
Dl Completed...: 0 url [00:00, ? url/s]
Dl Size...: 0 MiB [00:00, ? MiB/s]
Extraction completed...: 0 file [00:00, ? file/s]
Generating splits...:   0%|          | 0/3 [00:00<?, ? splits/s]
Generating train examples...:   0%|          | 0/35692 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incomplete6YJMND/mtnt-train.tfrecord*...:   0%|          …
Generating test examples...:   0%|          | 0/1020 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incomplete6YJMND/mtnt-test.tfrecord*...:   0%|          |…
Generating valid examples...:   0%|          | 0/811 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incomplete6YJMND/mtnt-valid.tfrecord*...:   0%|          …
Dataset mtnt downloaded and prepared to /root/tensorflow_datasets/mtnt/en-fr/1.0.0. Subsequent calls will reuse this data.
Example 0:
dst: b'Le groupe de " toutes les \xc3\xa9toiles potentielles de la conf\xc3\xa9rence de l\'Est mais qui ne s\'en sortent pas dans le groupe de l\'Ouest ".'
src: b'The group of \xe2\x80\x9ceastern conference potential all stars but not making it in the West\xe2\x80\x9d group.'

Example 1:
dst: b"Kameron est-elle un peu aigrie de son manque de temps \xc3\xa0 l'\xc3\xa9cran ?"
src: b'Is Kameron a Little Salty About Her Lack of Air Time?'

โหลดเครื่องมือแปลงข้อมูลเป็นโทเค็นของ Gemma ซึ่งสร้างขึ้นโดยใช้ sentencepiece.SentencePieceProcessor:

vocab = spm.SentencePieceProcessor()
vocab.Load(TOKENIZER_PATH)

True

ปรับแต่ง SentencePieceProcessor สำหรับงานแปลภาษาภาษาอังกฤษเป็นฝรั่งเศส เนื่องจากคุณจะปรับแต่งส่วนภาษาอังกฤษของโมเดล Gemma คุณจึงต้องทำการปรับเปลี่ยนบางอย่าง เช่น

• คำนำหน้าอินพุต: การเพิ่มคำนำหน้าทั่วไปให้กับอินพุตแต่ละรายการเป็นสัญญาณของงานแปล เช่น ใช้พรอมต์ที่มีคำนำหน้าเป็น Translate this into French: [INPUT_SENTENCE] ได้

• คำต่อท้ายเริ่มต้นการแปล: การเพิ่มคำต่อท้ายที่ท้ายพรอมต์แต่ละพรอมต์จะเป็นการบอกให้โมเดล Gemma เริ่มการแปลอย่างเจาะจง บรรทัดใหม่ควรจะทำงาน

• โทเค็นโมเดลภาษา: โมเดล Gemma คาดหวัง "จุดเริ่มต้นของลำดับ" ที่จุดเริ่มต้นของแต่ละลำดับ ดังนั้นให้เพิ่ม "สิ้นสุดลำดับ" ที่อยู่ท้ายตัวอย่างการฝึกแต่ละตัวอย่างควรจะเพียงพอ

  สร้าง Wrapper ที่กำหนดเองรอบๆ SentencePieceProcessor ดังนี้

class GemmaTokenizer:

  def __init__(self,
               spm_processor: spm.SentencePieceProcessor):
    self._spm_processor = spm_processor

  @property
  def pad_id(self) -> int:
    """Fast access to the pad ID."""
    return self._spm_processor.pad_id()

  def tokenize(self,
               example: str | bytes,
               prefix: str = '',
               suffix: str = '',
               add_eos: bool = True) -> jax.Array:
    """
    The tokenization function.

    Args:
      example: Input string to tokenize.
      prefix:  Prefix to add to the input string.
      suffix:  Suffix to add to the input string.
      add_eos: If True, add an "end of sentence" token at the end of the output
               sequence.
    Returns:
      Tokens corresponding to the input string.
    """
    int_list = [self._spm_processor.bos_id()]
    int_list.extend(self._spm_processor.EncodeAsIds(prefix + example + suffix))
    if add_eos:
      int_list.append(self._spm_processor.eos_id())

    return jnp.array(int_list, dtype=jnp.int32)

  def tokenize_tf_op(self,
                     str_tensor: tf.Tensor,
                     prefix: str = '',
                     suffix: str = '',
                     add_eos: bool = True) -> tf.Tensor:
    """A TensorFlow operator for the tokenize function."""
    encoded = tf.numpy_function(
        self.tokenize,
        [str_tensor, prefix, suffix, add_eos],
        tf.int32)
    encoded.set_shape([None])
    return encoded

  def to_string(self, tokens: jax.Array) -> str:
    """Convert an array of tokens to a string."""
    return self._spm_processor.EncodeIds(tokens.tolist())

ลองใช้งานด้วยการสร้างอินสแตนซ์ GemmaTokenizer ที่กำหนดเองใหม่ จากนั้นนำไปใช้กับชุดข้อมูล MTNT บางส่วน:

tokenizer = GemmaTokenizer(vocab)

def tokenize_source(tokenizer, example: tf.Tensor):
  return tokenizer.tokenize_tf_op(example,
                                  prefix='Translate this into French:\n',
                                  suffix='\n',
                                  add_eos=False)
def tokenize_destination(tokenizer, example: tf.Tensor):
  return tokenizer.tokenize_tf_op(example,
                                  add_eos=True)

ds = tfds.load("mtnt/en-fr",split="train")
ds = ds.take(2)
ds = ds.map(lambda x: {'src': tokenize_source(tokenizer, x['src']),
                       'dst': tokenize_destination(tokenizer, x['dst'])})
ds = ds.as_numpy_iterator()

for idx, example in enumerate(ds):
  print(f'Example {idx}:')
  for key, val in example.items():
    print(f'{key}: {val}')
  print()

Example 0:
src: [     2  49688    736   1280   6987 235292    108    651   2778    576
   1080 104745  11982   5736    832   8995    901    780   3547    665
    575    573   4589 235369   2778 235265    108]
dst: [     2   2025  29653    581    664  16298   1437  55563  41435   7840
    581    683 111452    581    533 235303   9776   4108   2459    679
    485 235303    479   6728    579   1806   2499    709  29653    581
    533 235303 101323  16054      1]

Example 1:
src: [     2  49688    736   1280   6987 235292    108   2437  87150    477
    476  11709 230461   8045   3636  40268    576   4252   4897 235336
    108]
dst: [     2 213606    477   1455 235290   3510    748   8268 191017   2809
    581   2032  69972    581  11495   1305    533 235303  65978   1654
      1]

สร้างตัวโหลดข้อมูลสำหรับชุดข้อมูล MTNT ทั้งหมดด้วยคำสั่งต่อไปนี้

@chex.dataclass(frozen=True)
class TrainingInput:
  # Input tokens provided to the model.
  input_tokens: jax.Array

  # A mask that determines which tokens contribute to the target loss
  # calculation.
  target_mask: jax.Array

class DatasetSplit(enum.Enum):
  TRAIN = 'train'
  VALIDATION = 'valid'

class MTNTDatasetBuilder:
  """The dataset builder for the MTNT dataset."""

  N_ITEMS = {DatasetSplit.TRAIN: 35_692,
             DatasetSplit.VALIDATION: 811}

  BUFFER_SIZE_SHUFFLE = 10_000
  TRANSLATION_PREFIX = 'Translate this into French:\n'
  TRANSLATION_SUFFIX = '\n'

  def __init__(self,
               tokenizer : GemmaTokenizer,
               max_seq_len: int):
    """Constructor.

    Args:
      tokenizer: Gemma tokenizer to use.
      max_seq_len: size of each sequence in a given batch.
    """
    self._tokenizer = tokenizer
    self._base_data = {
        DatasetSplit.TRAIN: tfds.load("mtnt/en-fr",split="train"),
        DatasetSplit.VALIDATION: tfds.load("mtnt/en-fr",split="valid"),
    }
    self._max_seq_len = max_seq_len

  def _tokenize_source(self, example: tf.Tensor):
    """Tokenization function for the source."""
    return self._tokenizer.tokenize_tf_op(example,
                                          prefix=self.TRANSLATION_PREFIX,
                                          suffix=self.TRANSLATION_SUFFIX,
                                          add_eos=False)

  def _tokenize_destination(self, example: tf.Tensor):
    """Tokenization function for the French translation."""
    return self._tokenizer.tokenize_tf_op(example,
                                          add_eos=True)

  def _pad_up_to_max_len(self,
                         input_tensor: tf.Tensor,
                         pad_value: int | bool,
                         ) -> tf.Tensor:
    """Pad the given tensor up to sequence length of a batch."""
    seq_len = tf.shape(input_tensor)[0]
    to_pad = tf.maximum(self._max_seq_len - seq_len, 0)
    return tf.pad(input_tensor,
                  [[0, to_pad]],
                  mode='CONSTANT',
                  constant_values=pad_value,
                  )

  def _to_training_input(self,
                         src_tokens: jax.Array,
                         dst_tokens: jax.Array,
                         ) -> TrainingInput:
    """Build a training input from a tuple of source and destination tokens."""

    # The input sequence fed to the model is simply the concatenation of the
    # source and the destination.
    tokens = tf.concat([src_tokens, dst_tokens], axis=0)

    # To prevent the model from updating based on the source (input)
    # tokens, add a target mask to each input.
    q_mask = tf.zeros_like(src_tokens, dtype=tf.bool)
    a_mask = tf.ones_like(dst_tokens, dtype=tf.bool)
    mask = tf.concat([q_mask, a_mask], axis=0)

    # If the output tokens sequence is smaller than the target sequence size,
    # then pad it with pad tokens.
    tokens = self._pad_up_to_max_len(tokens, self._tokenizer.pad_id)

    # Don't want to perform the backward pass on the pad tokens.
    mask = self._pad_up_to_max_len(mask, False)

    return TrainingInput(input_tokens=tokens, target_mask=mask)


  def get_train_dataset(self, batch_size: int, num_epochs: int):
    """Build the training dataset."""

    # Tokenize each sample.
    ds = self._base_data[DatasetSplit.TRAIN].map(lambda x : (self._tokenize_source(x['src']),
                                                             self._tokenize_destination(x['dst'])))

    # Convert the samples to training inputs.
    ds = ds.map(lambda x, y: self._to_training_input(x, y))

    # Remove the samples that are too long.
    ds = ds.filter(lambda x: tf.shape(x.input_tokens)[0] <= self._max_seq_len)

    # Shuffle the dataset.
    ds = ds.shuffle(buffer_size=self.BUFFER_SIZE_SHUFFLE)

    # Repeat if necessary.
    ds = ds.repeat(num_epochs)

    # Build batches.
    ds = ds.batch(batch_size, drop_remainder=True)
    return ds

  def get_validation_dataset(self, batch_size: int):
    """Build the validation dataset."""

    # Same steps as in `get_train_dataset`, but without shuffling and no repetition.
    ds = self._base_data[DatasetSplit.VALIDATION].map(lambda x : (self._tokenize_source(x['src']),
                                                                  self._tokenize_destination(x['dst'])))
    ds = ds.map(lambda x, y: self._to_training_input(x, y))
    ds = ds.filter(lambda x: tf.shape(x.input_tokens)[0] <= self._max_seq_len)
    ds = ds.batch(batch_size, drop_remainder=True)
    return ds

ลองใช้ MTNTDatasetBuilder ด้วยการสร้างอินสแตนซ์ GemmaTokenizer ที่กำหนดเองอีกครั้ง จากนั้นนำไปใช้กับชุดข้อมูล MTNT และสุ่มตัวอย่าง 2 ตัวอย่างดังนี้

tokenizer = GemmaTokenizer(vocab)

dataset_builder = MTNTDatasetBuilder(tokenizer, max_seq_len=20)
ds = dataset_builder.get_train_dataset(3, 1)
ds = ds.take(2)
ds = ds.as_numpy_iterator()

for idx, example in enumerate(ds):
  print(f'Example {idx}:')
  for key, val in example.items():
    print(f'{key}: {val}')
  print()

WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'>
WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'>
WARNING:tensorflow:Mapping types may not work well with tf.nest. Prefer using MutableMapping for <class '__main__.TrainingInput'>
Example 0:
input_tokens: [[     2  49688    736   1280   6987 235292    108  10924    665  12302
  235341    108      2   4397  63011   1437  38696   1241      1      0]
 [     2  49688    736   1280   6987 235292    108  13835   1517 235265
     108      2  69875    540  19713 235265      1      0      0      0]
 [     2  49688    736   1280   6987 235292    108   6956   1586 235297
  235265    108      2  78368   1586 235297 235265      1      0      0]]
target_mask: [[False False False False False False False False False False False False
   True  True  True  True  True  True  True False]
 [False False False False False False False False False False False  True
   True  True  True  True  True False False False]
 [False False False False False False False False False False False False
   True  True  True  True  True  True False False]]

Example 1:
input_tokens: [[     2  49688    736   1280   6987 235292    108  18874 235341    108
       2 115905   6425   1241      1      0      0      0      0      0]
 [     2  49688    736   1280   6987 235292    108   7574   3356 235341
     108      2   7997  20707   1241      1      0      0      0      0]
 [     2  49688    736   1280   6987 235292    108   8703    665 235265
     108      2 235338 235303  90006  20133 235265      1      0      0]]
target_mask: [[False False False False False False False False False False  True  True
   True  True  True False False False False False]
 [False False False False False False False False False False False  True
   True  True  True  True False False False False]
 [False False False False False False False False False False False  True
   True  True  True  True  True  True False False]]

กำหนดค่าโมเดล

คุณต้องกำหนดค่าโมเดล Gemma ก่อนเริ่มปรับแต่งโมเดลนี้

ขั้นแรก ให้โหลดและจัดรูปแบบจุดตรวจสอบโมเดล Gemma โดยใช้เมธอด gemma.params.load_and_format_params ดังนี้

params = params_lib.load_and_format_params(CKPT_PATH)

หากต้องการโหลดการกำหนดค่าที่ถูกต้องจากจุดตรวจสอบโมเดล Gemma โดยอัตโนมัติ ให้ใช้ gemma.transformer.TransformerConfig อาร์กิวเมนต์ cache_size คือจำนวนขั้นตอนเวลาในแคช Gemma Transformer หลังจากนั้น ให้สร้างอินสแตนซ์โมเดล Gemma เป็น model_2b ด้วย gemma.transformer.Transformer (ซึ่งรับค่าจาก flax.linen.Module)

config_2b = transformer_lib.TransformerConfig.from_params(
    params,
    cache_size=30
)

model_2b = transformer_lib.Transformer(config=config_2b)

ปรับแต่งโมเดล

ในส่วนนี้ คุณจะได้ทำสิ่งต่อไปนี้

• ใช้คลาส gemma.transformer.Transformer เพื่อสร้างฟังก์ชัน Forward Pass และ Loss
• สร้างเวกเตอร์มาสก์ตำแหน่งและความสนใจสำหรับโทเค็น
• สร้างฟังก์ชันขั้นตอนการฝึกด้วย Flax
• สร้างขั้นตอนการตรวจสอบโดยไม่ผ่านย้อนหลัง
• สร้างลูปการฝึก
• ปรับแต่งโมเดล Gemma

กำหนดการส่งต่อและฟังก์ชันการสูญหายโดยใช้คลาส gemma.transformer.Transformer Gemma Transformer รับค่ามาจาก flax.linen.Module และมีวิธีสำคัญ 2 วิธีดังนี้

• init: เริ่มต้นพารามิเตอร์ของโมเดล

• apply: ใช้ฟังก์ชัน __call__ ของโมเดลโดยใช้ชุดพารามิเตอร์ที่กำหนด

  เนื่องจากคุณกำลังใช้น้ำหนัก Gemma ที่ฝึกไว้แล้ว จึงไม่จำเป็นต้องใช้ฟังก์ชัน init

def forward_and_loss_fn(params,
                        *,
                        model: transformer_lib.Transformer,
                        input_tokens: jax.Array,            # Shape [B, L]
                        input_mask: jax.Array,              # Shape [B, L]
                        positions: jax.Array,               # Shape [B, L]
                        attention_mask: jax.Array,          # [B, L, L]
                        ) -> jax.Array:
  """The forward pass and the loss function.

  Args:
    params: Model's input parameters.
    model: The Gemma transformer model to call.
    input_tokens: Input tokens sequence, shape [B, L].
    input_mask: Tokens to ignore when computing the loss, shape [B, L].
    positions: Relative position of each token, shape [B, L].
    attention_mask: Input attention mask, shape [B, L].

  Returns:
    The softmax cross-entropy loss for the next-token prediction task.
  """

  # The forward pass on the input data.
  # No attention cache is needed here.
  logits, _ = model.apply(
        params,
        input_tokens,
        positions,
        None,              # Attention cache is None.
        attention_mask,
    )

  # Exclude the last step as it does not appear in the targets.
  logits = logits[0, :-1]

  # Similarly, the first token cannot be predicted.
  target_tokens = input_tokens[0, 1:]
  target_mask = input_mask[0, 1:]

  # Convert the target labels to one-hot encoded vectors.
  one_hot = jax.nn.one_hot(target_tokens, logits.shape[-1])

  # Don't update on unwanted tokens.
  one_hot = one_hot * target_mask.astype(one_hot.dtype)[...,None]

  # Define the normalization factor.
  norm_factor = 1 / (jnp.sum(target_mask) + 1e-8)

  # Return the negative log likelihood (NLL) loss.
  return -jnp.sum(jax.nn.log_softmax(logits) * one_hot) * norm_factor

คลาส gemma.transformer.Transformer ต้องมี attention_mask และเวกเตอร์ positions คู่กับอินพุตแต่ละรายการ โดยคุณสามารถสร้างฟังก์ชันเหล่านี้ได้โดยการสร้างฟังก์ชันที่กำหนดเองที่ใช้ Transformer.build_positions_from_mask และ Transformer.make_causal_attn_mask ดังนี้

def get_attention_mask_and_positions(example: jax.Array,
                                     pad_id : int,
                                     )-> tuple[jax.Array, jax.Array]:
  """Builds the position and attention mask vectors from the given tokens."""
  pad_mask = example != pad_id
  current_token_position = transformer_lib.build_positions_from_mask(pad_mask)
  attention_mask = transformer_lib.make_causal_attn_mask(pad_mask)
  return current_token_position, attention_mask

สร้างฟังก์ชัน train_step ที่ดำเนินการส่งผ่านย้อนหลังและอัปเดตพารามิเตอร์ของโมเดลให้สอดคล้องกัน โดยที่

• jax.value_and_grad ใช้สำหรับประเมินฟังก์ชันการสูญเสียและการไล่ระดับสีระหว่างการส่งต่อและย้อนกลับ
• optax.apply_updates มีไว้สำหรับการอัปเดตพารามิเตอร์

def train_step(model: transformer_lib.Transformer,
               params,
               optimizer: optax.GradientTransformation,
               opt_state: optax.OptState,
               pad_id: int,
               example: TrainingInput):
  """Train step.

  Args:
    model: The Gemma transformer model.
    params: The model's input parameters.
    optimizer: The Optax optimizer to use.
    opt_state: The input optimizer's state.
    pad_id: ID of the pad token.
    example: Input batch.

  Returns:
    The training loss, the updated parameters, and the updated optimizer state.
  """

  # Build the position and attention mask vectors.
  positions, attention_mask = get_attention_mask_and_positions(example.input_tokens, pad_id)

  # The forward and backward passes.
  train_loss, grads = jax.value_and_grad(forward_and_loss_fn)(params,
                                                             model=model,
                                                             input_tokens=example.input_tokens,
                                                             input_mask=example.target_mask,
                                                             positions=positions,
                                                             attention_mask=attention_mask)
  # Update the parameters.
  updates, opt_state = optimizer.update(grads, opt_state)
  params = optax.apply_updates(params, updates)

  return train_loss, params, opt_state

สร้างฟังก์ชัน validation_step โดยไม่ต้องกรอกลับ

def validation_step(model: transformer_lib.Transformer,
                    params,
                    pad_id: int,
                    example: TrainingInput,
                    ):
  positions, attention_mask = get_attention_mask_and_positions(example.input_tokens, pad_id)
  val_loss = forward_and_loss_fn(params,
                                 model=model,
                                 input_tokens=example.input_tokens,
                                 input_mask=example.target_mask,
                                 positions=positions,
                                 attention_mask=attention_mask)
  return val_loss

กำหนดลูปการฝึกโดยใช้ optax.sgd สำหรับเครื่องมือเพิ่มประสิทธิภาพ SGD ดังนี้

@chex.dataclass(frozen=True)
class TrainingConfig:
  learning_rate: float
  num_epochs: int
  eval_every_n: int
  batch_size: int
  max_steps: int | None = None

def train_loop(
    model: transformer_lib.Transformer,
    params,
    dataset_builder: MTNTDatasetBuilder,
    training_cfg: TrainingConfig):

  # Apply `jax.jit` on the training step, making the whole loop much more efficient.
  compiled_train_step = jax.jit(train_step, static_argnames=['model', 'optimizer'])

  # Apply `jax.jit` on the validation step.
  compiled_validation_step = jax.jit(validation_step, static_argnames=['model'])

  # To save memory, use the SGD optimizer instead of the usual Adam optimizer.
  # Note that for this specific example, SGD is more than enough.
  optimizer = optax.sgd(training_cfg.learning_rate)
  opt_state = optimizer.init(params)

  # Build the training dataset.
  train_ds = dataset_builder.get_train_dataset(batch_size=training_cfg.batch_size,
                                               num_epochs=training_cfg.num_epochs)
  train_ds = train_ds.as_numpy_iterator()

  # Build the validation dataset, with a limited number of samples for this demo.
  validation_ds = dataset_builder.get_validation_dataset(batch_size=training_cfg.batch_size)
  validation_ds = validation_ds.take(50)

  n_steps = 0
  avg_loss=0

  # A first round of the validation loss.
  n_steps_eval = 0
  eval_loss = 0
  val_iterator = validation_ds.as_numpy_iterator()
  for val_example in val_iterator:
    eval_loss += compiled_validation_step(model,
                                          params,
                                          dataset_builder._tokenizer.pad_id,
                                          val_example)
    n_steps_eval += 1
  print(f"Start, validation loss: {eval_loss/n_steps_eval}")

  for train_example in train_ds:
    train_loss, params, opt_state = compiled_train_step(model=model,
                                                        params=params,
                                                        optimizer=optimizer,
                                                        opt_state=opt_state,
                                                        pad_id=dataset_builder._tokenizer.pad_id,
                                                        example=train_example)
    n_steps += 1
    avg_loss += train_loss
    if n_steps % training_cfg.eval_every_n == 0:
      eval_loss = 0

      n_steps_eval = 0
      val_iterator = validation_ds.as_numpy_iterator()
      for val_example in val_iterator:
        eval_loss += compiled_validation_step(model,
                                              params,
                                              dataset_builder._tokenizer.pad_id,
                                              val_example)
        n_steps_eval +=1
      avg_loss /= training_cfg.eval_every_n
      eval_loss /= n_steps_eval
      print(f"STEP {n_steps} training loss: {avg_loss} - eval loss: {eval_loss}")
      avg_loss=0
    if training_cfg.max_steps is not None and n_steps > training_cfg.max_steps:
      break
  return params

เริ่มปรับแต่งโมเดล Gemma ในขั้นตอนเพียงไม่กี่ขั้นตอน (SEQ_SIZE) เพื่อให้มั่นใจว่าเหมาะสมกับหน่วยความจำ

SEQ_SIZE = 25
tokenizer = GemmaTokenizer(vocab)
dataset_builder= MTNTDatasetBuilder(tokenizer, SEQ_SIZE)
training_cfg = TrainingConfig(learning_rate=1e-4,
                              num_epochs=1,
                              eval_every_n=20,
                              batch_size=1,
                              max_steps=100)

params = train_loop(model=model_2b,
                    params={'params': params['transformer']},
                    dataset_builder=dataset_builder,
                    training_cfg=training_cfg)

Start, validation loss: 10.647212982177734
STEP 20 training loss: 3.3015992641448975 - eval loss: 2.686880111694336
STEP 40 training loss: 5.375057220458984 - eval loss: 2.6751961708068848
STEP 60 training loss: 2.6599338054656982 - eval loss: 2.663877010345459
STEP 80 training loss: 4.822389125823975 - eval loss: 2.3333375453948975
STEP 100 training loss: 2.0131142139434814 - eval loss: 2.360811948776245

ทั้งการสูญเสียการฝึกและการสูญเสียการตรวจสอบควรลดลงตามจำนวนแต่ละขั้นตอน

สร้าง sampler ด้วย gemma.sampler.Sampler โดยจะใช้จุดตรวจสอบโมเดล Gemma และเครื่องมือแปลงข้อมูลเป็นโทเค็น

sampler = sampler_lib.Sampler(
    transformer=model_2b,
    vocab=vocab,
    params=params['params'],
)

ใช้ sampler เพื่อตรวจสอบว่าโมเดลของคุณแปลได้หรือไม่ อาร์กิวเมนต์ total_generation_steps ใน gemma.sampler.Sampler คือจำนวนขั้นตอนที่ดำเนินการเมื่อสร้างคำตอบ หากต้องการตรวจสอบว่าอินพุตตรงกับรูปแบบการฝึก ให้ใช้คำนำหน้า Translate this into French:\n และขึ้นบรรทัดใหม่ท้ายอักขระ ซึ่งเป็นการส่งสัญญาณให้โมเดลเริ่มการแปล

sampler(
    ["Translate this into French:\nHello, my name is Morgane.\n"],
    total_generation_steps=100,
    ).text

["C'est Bonjour, mon nom est Morgane.C'est Bonjour, mon nom est Morgane."]

ดูข้อมูลเพิ่มเติม

• คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับไลบรารี gemma ของ Google DeepMind ใน GitHub ซึ่งมี Docstring ของโมดูลที่คุณใช้ในบทแนะนำนี้ เช่น gemma.params gemma.transformer และ gemma.sampler
• ไลบรารีต่อไปนี้มีเว็บไซต์เอกสารประกอบของตนเอง ได้แก่ core JAX, Flax, Chex, Optax และ Orbax
• ดูเอกสารประกอบเกี่ยวกับเครื่องมือแปลงข้อมูลเป็นโทเค็น/เครื่องมือถอดรหัสของ sentencepiece ได้ที่ที่เก็บ sentencepiece GitHub ของ Google
• ดูเอกสารประกอบเกี่ยวกับ kagglehub ได้ที่ README.md ในที่เก็บ GitHub ของ kagglehub ของ Kaggle
• ดูวิธีใช้โมเดล Gemma กับ Vertex AI ของ Google Cloud
• หากคุณใช้ Google Cloud TPU (v3-8 ขึ้นไป) โปรดอัปเดตเป็นแพ็กเกจ jax[tpu] ล่าสุด (!pip install -U jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html) รีสตาร์ทรันไทม์ และตรวจสอบว่าเวอร์ชัน jax และ jaxlib ตรงกัน (!pip list | grep jax) ซึ่งจะป้องกัน RuntimeError ที่อาจเกิดขึ้นเนื่องจากเวอร์ชัน jaxlib และ jax ไม่ตรงกัน ดูคำแนะนำในการติดตั้ง JAX เพิ่มเติมในเอกสาร JAX