במדריך הזה נסביר איך לבצע שיפור מדויק של מודל ההוראה 2B של RecurrentGemma למשימה של תרגום מאנגלית לצרפתית, באמצעות ספריית recurrentgemma
של Google DeepMind, JAX (ספריית מחשוב מספרי בעלת ביצועים גבוהים), Flax (ספריית רשתות נוירונליות שמבוססת על JAX), Chex (ספריית שירותים לכתיבה של קוד JAX מהימן), Optax (ספריית עיבוד ושיוך של שיפועים שמבוססת על JAX) וקבוצת הנתונים MTNT (תרגום מכונה של טקסט רועש). לא נעשה שימוש ב-Flax באופן ישיר במחברת הזו, אבל הוא שימש ליצירת Gemma.
הספרייה recurrentgemma
נכתבה באמצעות JAX, Flax, Orbax (ספרייה מבוססת-JAX לשירותי אימון כמו ציון נקודות עצירה) ו-SentencePiece (ספריית ניתוח טקסט/ביטול ניתוח טקסט).
אפשר להריץ את ה-notebook הזה ב-Google Colab עם GPU מסוג T4 (עוברים אל Edit (עריכה) > Notebook settings (הגדרות notebook) > בקטע Hardware accelerator (שיפור המהירות באמצעות חומרה) בוחרים באפשרות T4 GPU).
הגדרה
בקטעים הבאים מוסבר איך להכין מסמך notebook לשימוש במודל RecurrentGemma, כולל גישה למודל, קבלת מפתח API והגדרת סביבת זמן הריצה של המסמך.
הגדרת גישה ל-Kaggle עבור Gemma
כדי להשלים את המדריך הזה, קודם צריך לפעול לפי הוראות ההגדרה הדומות להגדרת Gemma, עם כמה יוצאים מן הכלל:
- מקבלים גישה ל-RecurrentGemma (במקום Gemma) בכתובת kaggle.com.
- בוחרים סביבת זמן ריצה ב-Colab עם מספיק משאבים להרצת מודל RecurrentGemma.
- יצירת שם משתמש ומפתח API ב-Kaggle והגדרתם.
אחרי שתסיימו את ההגדרה של RecurrentGemma, תוכלו לעבור לקטע הבא שבו תגדירו משתני סביבה לסביבת Colab.
הגדרה של משתני סביבה
מגדירים את משתני הסביבה KAGGLE_USERNAME
ו-KAGGLE_KEY
. כשמוצגת ההודעה 'מתן גישה?', מאשרים את הבקשה לגשת לסוד.
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')
התקנת הספרייה recurrentgemma
כרגע, insufficient שיפור מהירות באמצעות חומרה ב-Colab כדי להריץ את ה-notebook הזה. אם אתם משתמשים ב-Colab Pay As You Go או ב-Colab Pro, לוחצים על Edit (עריכה) > Notebook settings (הגדרות notebook) > בוחרים באפשרות A100 GPU (GPU מסוג A100) > Save (שמירה) כדי להפעיל את שיפור המהירות באמצעות החומרה.
בשלב הבא, צריך להתקין את ספריית recurrentgemma
של Google DeepMind מ-github.com/google-deepmind/recurrentgemma
. אם מופיעה שגיאה לגבי 'פותר יחסי התלות של pip', בדרך כלל אפשר להתעלם ממנה.
pip install -q git+https://github.com/google-deepmind/recurrentgemma.git
ייבוא ספריות
ב-notebook הזה נעשה שימוש ב-Flax (לרשתות נוירונליות), ב-JAX ליבה, ב-SentencePiece (לניתוח שטחי טקסט), ב-Chex (ספריית שירותים לכתיבה של קוד JAX מהימן), ב-Optax (ספריית עיבוד ושיוך של שיפועים) וב-TensorFlow Datasets.
import pathlib
from typing import Any, Mapping, Iterator
import enum
import functools
import chex
import jax
import jax.numpy as jnp
import optax
import tensorflow as tf
import tensorflow_datasets as tfds
import sentencepiece as spm
from recurrentgemma import jax as recurrentgemma
טעינת המודל RecurrentGemma
- טוענים את מודל RecurrentGemma באמצעות
kagglehub.model_download
, עם שלושה ארגומנטים:
handle
: ה-handle של המודל מ-Kagglepath
: (מחרוזת אופציונלית) הנתיב המקומיforce_download
: (בוליאני אופציונלי) מאלץ להוריד מחדש את המודל
RECURRENTGEMMA_VARIANT = '2b-it' # @param ['2b', '2b-it'] {type:"string"}
import kagglehub
RECURRENTGEMMA_PATH = kagglehub.model_download(f'google/recurrentgemma/flax/{RECURRENTGEMMA_VARIANT}')
Downloading from https://www.kaggle.com/api/v1/models/google/recurrentgemma/flax/2b-it/1/download... 100%|██████████| 3.85G/3.85G [00:50<00:00, 81.5MB/s] Extracting model files...
print('RECURRENTGEMMA_VARIANT:', RECURRENTGEMMA_VARIANT)
RECURRENTGEMMA_VARIANT: 2b-it
- בודקים את המיקום של משקלות המודל ושל ה-tokenizer, ואז מגדירים את משתני הנתיב. ספריית ה-tokenizer תהיה בספרייה הראשית שבה הורדתם את המודל, והמשקלים של המודל יהיו בספריית משנה. לדוגמה:
- הקובץ
tokenizer.model
יהיה ב-/LOCAL/PATH/TO/recurrentgemma/flax/2b-it/1
). - נקודת הבדיקה של המודל תהיה ב-
/LOCAL/PATH/TO/recurrentgemma/flax/2b-it/1/2b-it
).
CKPT_PATH = os.path.join(RECURRENTGEMMA_PATH, RECURRENTGEMMA_VARIANT)
TOKENIZER_PATH = os.path.join(RECURRENTGEMMA_PATH, 'tokenizer.model')
print('CKPT_PATH:', CKPT_PATH)
print('TOKENIZER_PATH:', TOKENIZER_PATH)
CKPT_PATH: /root/.cache/kagglehub/models/google/recurrentgemma/flax/2b-it/1/2b-it TOKENIZER_PATH: /root/.cache/kagglehub/models/google/recurrentgemma/flax/2b-it/1/tokenizer.model
טעינת קבוצת הנתונים MTNT והטוקר של Gemma והכנה שלהם
נשתמש בקבוצת הנתונים MTNT (Machine Translation of Noisy Text), שזמינה ב-TensorFlow Datasets.
מורידים את החלק של מערך הנתונים שמכיל תרגום מאנגלית לצרפתית מתוך מערך הנתונים MTNT, ולאחר מכן בוחרים שתי דוגמאות. כל דוגמה בקבוצת הנתונים מכילה שתי רשומות: src
: המשפט המקורי באנגלית, ו-dst
: התרגום התואם בצרפתית.
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.incompleteJLH33K/mtnt-train.tfrecord*...: 0%| … Generating test examples...: 0%| | 0/1020 [00:00<?, ? examples/s] Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incompleteJLH33K/mtnt-test.tfrecord*...: 0%| |… Generating valid examples...: 0%| | 0/811 [00:00<?, ? examples/s] Shuffling /root/tensorflow_datasets/mtnt/en-fr/1.0.0.incompleteJLH33K/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?'
טוענים את מקודד Gemma, שנוצר באמצעות sentencepiece.SentencePieceProcessor
:
vocab = spm.SentencePieceProcessor()
vocab.Load(TOKENIZER_PATH)
True
מתאימים אישית את SentencePieceProcessor
למשימה התרגום מאנגלית לצרפתית. מכיוון שתבצעו שיפורים בחלק האנגלי של מודל RecurrentGemma (Griffin), תצטרכו לבצע כמה התאמות, כמו:
התחילית של הקלט: הוספת תחילית משותפת לכל קלט מסמנת את משימת התרגום. לדוגמה, אפשר להשתמש בהנחיה עם קידומת כמו
Translate this into French: [INPUT_SENTENCE]
.סיומת להתחלת התרגום: הוספת סיומת בסוף כל הנחיה מורה לדגם Gemma מתי בדיוק להתחיל בתהליך התרגום. שורה חדשה אמורה לעשות את העבודה.
אסימונים של מודל שפה: מודלים של RecurrentGemma (Griffin) מצפים לטוקן 'תחילת רצף' בתחילת כל רצף. באופן דומה, צריך להוסיף אסימון 'סוף רצף' בסוף כל דוגמה לאימון.
יוצרים מעטפת בהתאמה אישית סביב SentencePieceProcessor
באופן הבא:
class GriffinTokenizer:
"""A custom wrapper around a SentencePieceProcessor."""
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:
"""
A 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 TensforFlow 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())
כדי לנסות את זה, יוצרים מופע של GriffinTokenizer
בהתאמה אישית חדשה ומחילים אותו על דגימה קטנה של מערך הנתונים MTNT:
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)
tokenizer = GriffinTokenizer(vocab)
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]
יוצרים מערך טעינה של נתונים לכל מערך הנתונים של MTNT:
@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:
"""A data loader 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 : GriffinTokenizer,
max_seq_len: int):
"""A constructor.
Args:
tokenizer: The tokenizer to use.
max_seq_len: The 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):
"""A 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):
"""A 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)
# You want to prevent the model from updating based on the source (input)
# tokens. To achieve this, 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)
# You don't want to perform the backward 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 them to training inputs.
ds = ds.map(lambda x, y: self._to_training_input(x, y))
# Remove the samples which 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 as the training dataset, but no 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
כדי לבדוק את MTNTDatasetBuilder
, יוצרים שוב את GriffinTokenizer
בהתאמה אישית, מחילים אותו על מערך הנתונים MTNT ומפיקים שתי דוגמאות:
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 12583 665 235265 108 2 6151 94975 1320 6238 235265 1 0 0] [ 2 49688 736 1280 6987 235292 108 4899 29960 11270 108282 235265 108 2 4899 79025 11270 108282 1 0] [ 2 49688 736 1280 6987 235292 108 26620 235265 108 2 26620 235265 1 0 0 0 0 0 0]] target_mask: [[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 False False False True True True True True True False] [False False False False False False False False False False True True True True False False False False False False]] Example 1: input_tokens: [[ 2 49688 736 1280 6987 235292 108 527 5174 1683 235336 108 2 206790 581 20726 482 2208 1654 1] [ 2 49688 736 1280 6987 235292 108 28484 235256 235336 108 2 120500 13832 1654 1 0 0 0 0] [ 2 49688 736 1280 6987 235292 108 235324 235304 2705 235265 108 2 235324 235304 19963 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 True] [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 False True True True True True True False False]]
הגדרת המודל
לפני שמתחילים לבצע שיפורים למודל Gemma, צריך להגדיר אותו.
טוענים את נקודת הביקורת של מודל RecurrentGemma (Griffin) באמצעות השיטה recurrentgemma.jax.utils.load_parameters
:
params = recurrentgemma.load_parameters(CKPT_PATH, "single_device")
כדי לטעון באופן אוטומטי את ההגדרה הנכונה מנקודת הבדיקה של מודל RecurrentGemma, משתמשים ב-recurrentgemma.GriffinConfig.from_flax_params_or_variables
:
config = recurrentgemma.GriffinConfig.from_flax_params_or_variables(params)
יוצרים מופע של המודל Griffin באמצעות recurrentgemma.jax.Griffin
:
model = recurrentgemma.Griffin(config)
יוצרים sampler
עם recurrentgemma.jax.Sampler
מעל נקודת הבדיקה/המשקלים של מודל RecurrentGemma והמקודד כדי לבדוק אם המודל יכול לבצע תרגום:
sampler = recurrentgemma.Sampler(model=model, vocab=vocab, params=params)
כוונון עדין של המודל
בקטע הזה תלמדו:
- משתמשים בכיתה
gemma.deprecated.transformer.Transformer
כדי ליצור את המעבר קדימה ואת פונקציית האובדן. - יצירת וקטורים של מיקום ומסכת תשומת לב לאסימונים
- פיתוח פונקציית שלב אימון באמצעות Flax.
- יוצרים את שלב האימות בלי המעבר לאחור.
- יוצרים את לולאת האימון.
- כוונון עדין של מודל Gemma.
מגדירים את ההעברה קדימה ואת פונקציית ההפסד באמצעות הכיתה recurrentgemma.jax.griffin.Griffin
. המאפיין RecurrentGemma Griffin
עובר בירושה מ-flax.linen.Module
, ומציע שתי שיטות חיוניות:
init
: הפונקציה מפעילה את הפרמטרים של המודל.apply
: הפונקציה מפעילה את הפונקציה__call__
של המודל באמצעות קבוצת פרמטרים נתונה.
מכיוון שאתם עובדים עם משקלים של Gemma שהותאמו מראש, אין צורך להשתמש בפונקציה init
.
def forward_and_loss_fn(
params,
*,
model: recurrentgemma.Griffin,
input_tokens: jax.Array, # Shape [B, L]
input_mask: jax.Array, # Shape [B, L]
positions: jax.Array, # Shape [B, L]
) -> jax.Array:
"""Forward pass and loss function.
Args:
params: model's input parameters.
model: Griffin 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].
Returns:
Softmax cross-entropy loss for the next-token prediction task.
"""
batch_size = input_tokens.shape[0]
# Forward pass on the input data.
# No attention cache is needed here.
# Exclude the last step as it does not appear in the targets.
logits, _ = model.apply(
{"params": params},
tokens=input_tokens[:, :-1],
segment_pos=positions[:, :-1],
cache=None,
)
# Similarly, the first token cannot be predicteds.
target_tokens = input_tokens[:, 1:]
target_mask = input_mask[:, 1:]
# Convert the target labels into 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]
# Normalization factor.
norm_factor = batch_size * (jnp.sum(target_mask) + 1e-8)
# Return the negative log-likelihood loss (NLL) function.
return -jnp.sum(jax.nn.log_softmax(logits) * one_hot) / norm_factor
יוצרים את הפונקציה train_step
שמבצעת את המעבר לאחור ומעדכנת את הפרמטרים של המודל בהתאם, כאשר:
jax.value_and_grad
מיועד להערכת פונקציית ההפסד והנגזרות במהלך השלבים קדימה ואחורה.optax.apply_updates
משמש לעדכון הפרמטרים.
Params = Mapping[str, Any]
def get_positions(example: jax.Array, pad_id : int) -> jax.Array:
"""Builds the position vector from the given tokens."""
pad_mask = example != pad_id
positions = jnp.cumsum(pad_mask, axis=-1)
# Subtract one for all positions from the first valid one as they are
# 0-indexed
positions = positions - (positions >= 1)
return positions
@functools.partial(
jax.jit,
static_argnames=['model', 'optimizer'],
donate_argnames=['params', 'opt_state'],
)
def train_step(
model: recurrentgemma.Griffin,
params: Params,
optimizer: optax.GradientTransformation,
opt_state: optax.OptState,
pad_id: int,
example: TrainingInput,
) -> tuple[jax.Array, Params, optax.OptState]:
"""The train step.
Args:
model: The RecurrentGemma (Griffin) model.
params: The model's input parameters.
optimizer: The Optax optimizer to use.
opt_state: The input optimizer's state.
pad_id: The ID of the pad token.
example: The input batch.
Returns:
Training loss, updated parameters, updated optimizer state.
"""
positions = get_positions(example.input_tokens, pad_id)
# 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,
)
# Update the parameters.
updates, opt_state = optimizer.update(grads, opt_state, params)
params = optax.apply_updates(params, updates)
return train_loss, params, opt_state
פיתוח הפונקציה validation_step
בלי המעבר לאחור:
@functools.partial(jax.jit, static_argnames=['model'])
def validation_step(
model: recurrentgemma.Griffin,
params: Params,
pad_id: int,
example: TrainingInput,
) -> jax.Array:
return forward_and_loss_fn(
params,
model=model,
input_tokens=example.input_tokens,
input_mask=example.target_mask,
positions=get_positions(example.input_tokens, pad_id),
)
מגדירים את לולאת האימון:
def train_loop(
model: recurrentgemma.Griffin,
params: Params,
optimizer: optax.GradientTransformation,
train_ds: Iterator[TrainingInput],
validation_ds: Iterator[TrainingInput],
num_steps: int | None = None,
eval_every_n: int = 20,
):
opt_state = jax.jit(optimizer.init)(params)
step_counter = 0
avg_loss=0
# The first round of the validation loss.
n_steps_eval = 0
eval_loss = 0
for val_example in validation_ds.as_numpy_iterator():
eval_loss += 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 = train_step(
model=model,
params=params,
optimizer=optimizer,
opt_state=opt_state,
pad_id=dataset_builder._tokenizer.pad_id,
example=train_example,
)
step_counter += 1
avg_loss += train_loss
if step_counter % 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 += validation_step(
model,
params,
dataset_builder._tokenizer.pad_id,
val_example,
)
n_steps_eval +=1
avg_loss /= eval_every_n
eval_loss /= n_steps_eval
print(f"STEP {step_counter} training loss: {avg_loss} - eval loss: {eval_loss}")
avg_loss=0
if num_steps is not None and step_counter > num_steps:
break
return params
כאן צריך לבחור כלי אופטימיזציה (Optax). במכשירים עם זיכרון קטן יותר, מומלץ להשתמש ב-SGD כי הוא דורש פחות זיכרון. כדי להשיג את הביצועים הטובים ביותר בתהליך השיפור, כדאי לנסות את Adam-W. ההיפר-פרמטרים האופטימליים לכל אופטימיזטור למשימה הספציפית ב-notebook הזה מוצגים בדוגמה הזו לנקודת הבדיקה 2b-it
.
def griffin_weight_decay_mask(params_like: optax.Params) -> Any:
# Don't put weight decay on the RGLRU, the embeddings and any biases
def enable_weight_decay(path: list[Any], _: Any) -> bool:
# Parameters in the LRU and embedder
path = [dict_key.key for dict_key in path]
if 'rg_lru' in path or 'embedder' in path:
return False
# All biases and scales
if path[-1] in ('b', 'scale'):
return False
return True
return jax.tree_util.tree_map_with_path(enable_weight_decay, params_like)
optimizer_choice = "sgd"
if optimizer_choice == "sgd":
optimizer = optax.sgd(learning_rate=1e-3)
num_steps = 300
elif optimizer_choice == "adamw":
optimizer = optax.adamw(
learning_rate=1e-4,
b2=0.96,
eps=1e-8,
weight_decay=0.1,
mask=griffin_weight_decay_mask,
)
num_steps = 100
else:
raise ValueError(f"Unknown optimizer: {optimizer_choice}")
מכינים את מערכי הנתונים של האימון והאימות:
# Choose a small sequence length size, so that everything fits in memory.
num_epochs = 1
batch_size = 1
sequence_length = 32
# Make the dataset builder.
tokenizer = GriffinTokenizer(vocab)
dataset_builder= MTNTDatasetBuilder(tokenizer, sequence_length + 1)
# Build the training dataset.
train_ds = dataset_builder.get_train_dataset(
batch_size=batch_size,
num_epochs=num_epochs,
).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=batch_size,
).take(50)
מתחילים לבצע שיפורים מותאמים אישית במודל RecurrentGemma (Griffin) במספר מוגבל של שלבים (num_steps
):
trained_params = train_loop(
model=model,
params=params,
optimizer=optimizer,
train_ds=train_ds,
validation_ds=validation_ds,
num_steps=num_steps,
)
Start, validation loss: 7.894117832183838 /usr/local/lib/python3.10/dist-packages/jax/_src/interpreters/mlir.py:920: UserWarning: Some donated buffers were not usable: ShapedArray(int32[1,33]), ShapedArray(bool[1,33]), ShapedArray(int32[], weak_type=True). See an explanation at https://jax.readthedocs.io/en/latest/faq.html#buffer_donation. warnings.warn("Some donated buffers were not usable:" STEP 20 training loss: 4.592616081237793 - eval loss: 2.847407102584839 STEP 40 training loss: 2.7537424564361572 - eval loss: 2.9258534908294678 STEP 60 training loss: 2.835618257522583 - eval loss: 2.4382340908050537 STEP 80 training loss: 2.6322107315063477 - eval loss: 2.3696839809417725 STEP 100 training loss: 1.8703256845474243 - eval loss: 2.355681896209717 STEP 120 training loss: 2.7280433177948 - eval loss: 2.4059958457946777 STEP 140 training loss: 2.3047447204589844 - eval loss: 2.083082914352417 STEP 160 training loss: 2.3432137966156006 - eval loss: 2.095074415206909 STEP 180 training loss: 2.1081202030181885 - eval loss: 2.006460189819336 STEP 200 training loss: 2.5359647274017334 - eval loss: 1.9667452573776245 STEP 220 training loss: 2.202195644378662 - eval loss: 1.9440618753433228 STEP 240 training loss: 2.756615400314331 - eval loss: 2.1073737144470215 STEP 260 training loss: 2.5128934383392334 - eval loss: 2.117241859436035 STEP 280 training loss: 2.73045015335083 - eval loss: 1.9159646034240723 STEP 300 training loss: 2.0918595790863037 - eval loss: 1.9742532968521118
גם אובדן האימון וגם אובדן האימות אמורים לרדת עם כל ספירת שלבים.
כדי לוודא שהקלט תואם לפורמט האימון, חשוב להשתמש בתחילית Translate this into French:\n
ובתו של שורת חדשה בסוף. הפעולה הזו מאותתת למודל להתחיל בתרגום.
sampler.params = trained_params
output = sampler(
["Translate this into French:\nHello, my name is Morgane.\n"],
total_generation_steps=100,
)
print(output.text[0])
/usr/local/lib/python3.10/dist-packages/jax/_src/interpreters/mlir.py:920: UserWarning: Some donated buffers were not usable: ShapedArray(int32[1,16]). See an explanation at https://jax.readthedocs.io/en/latest/faq.html#buffer_donation. warnings.warn("Some donated buffers were not usable:" Mais je m'appelle Morgane.
מידע נוסף
- מידע נוסף על הספרייה
recurrentgemma
של Google DeepMind ב-GitHub, שמכילה docstrings של שיטות ומודולים שבהם השתמשתם במדריך הזה, כמוrecurrentgemma.jax.load_parameters
,recurrentgemma.jax.Griffin
ו-recurrentgemma.jax.Sampler
. - לספריות הבאות יש אתרי מסמכי עזרה משלהם: core JAX, Flax, Chex, Optax ו-Orbax.
- למסמכי העזרה בנושא ניתוח/ביטול ניתוח של
sentencepiece
, אפשר לעיין במאגרsentencepiece
של Google ב-GitHub. - למסמכי העזרה של
kagglehub
, אפשר לעיין ב-README.md
במאגרkagglehub
ב-GitHub של Kaggle. - איך משתמשים במודלים של Gemma עם Google Cloud Vertex AI
- אם אתם משתמשים ב-Google Cloud TPUs (גרסה 3-8 ואילך), חשוב לעדכן גם לחבילת
jax[tpu]
העדכנית ביותר (!pip install -U jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
), להפעיל מחדש את סביבת זמן הריצה ולבדוק שהגרסאות שלjax
ו-jaxlib
תואמות (!pip list | grep jax
). הפעולות האלה יכולות למנוע את השגיאהRuntimeError
שעלולה להתרחש בגלל חוסר התאמה בין הגרסאות שלjaxlib
ו-jax
. הוראות נוספות להתקנת JAX זמינות במסמכי התיעוד של JAX. - מומלץ לקרוא את המאמר RecurrentGemma: Moving Past Transformers for Efficient Open Language Models (RecurrentGemma: מעבר ל-Transformers ליצירת מודלים פתוחים ויעילים של שפה) של Google DeepMind.
- במאמר Griffin: Mixing Gated Linear Recurrences with Local Attention for Efficient Language Models (Griffin: שילוב של חזרות לינאריות עם שער עם תשומת לב מקומית למודלים יעילים של שפה) של Google DeepMind מוסבר בהרחבה על ארכיטקטורת המודל שבו נעשה שימוש ב-RecurrentGemma.