H2ogpt Gm Oasst1 En 2048 Open Llama 3b

🚀 模型卡片

本模型基於H2O LLM Studio訓練，使用了特定的基礎模型和數據集，可藉助transformers庫在GPU機器上使用。以下將詳細介紹模型的相關信息，包括使用方法、架構、配置等。

🚀 快速開始

本模型使用 H2O LLM Studio 進行訓練。

• 基礎模型：openlm-research/open_llama_3b
• 數據集準備：OpenAssistant/oasst1 個性化處理

✨ 主要特性

• 基於特定基礎模型：以openlm-research/open_llama_3b為基礎模型進行訓練。
• 使用特定數據集：使用OpenAssistant/oasst1數據集，並進行了個性化處理。
• 支持transformers庫：可方便地在支持GPU的機器上使用transformers庫調用該模型。

📦 安裝指南

要在配備GPU的機器上使用transformers庫調用此模型，首先要確保已安裝transformers、accelerate和torch庫。

pip install transformers==4.30.2
pip install accelerate==0.20.3
pip install torch==2.0.0

💻 使用示例

基礎用法

import torch
from transformers import pipeline

generate_text = pipeline(
    model="h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-3b",
    torch_dtype="auto",
    trust_remote_code=True,
    use_fast=False,
    device_map={"": "cuda:0"},
)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=1024,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)
print(res[0]["generated_text"])

你可以在預處理步驟後打印一個示例提示，以查看它是如何輸入到分詞器中的：

print(generate_text.preprocess("Why is drinking water so healthy?")["prompt_text"])

<|prompt|>Why is drinking water so healthy?</s><|answer|>

高級用法

你也可以從加載的模型和分詞器自行構建管道，並考慮預處理步驟：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-3b"  # either local folder or huggingface model name
# Important: The prompt needs to be in the same format the model was trained with.
# You can find an example prompt in the experiment logs.
prompt = "<|prompt|>How are you?</s><|answer|>"

tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    use_fast=False,
    trust_remote_code=True,
)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map={"": "cuda:0"},
    trust_remote_code=True,
)
model.cuda().eval()
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to("cuda")

# generate configuration can be modified to your needs
tokens = model.generate(
    **inputs,
    min_new_tokens=2,
    max_new_tokens=1024,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)[0]

tokens = tokens[inputs["input_ids"].shape[1]:]
answer = tokenizer.decode(tokens, skip_special_tokens=True)
print(answer)

📚 詳細文檔

模型架構

LlamaForCausalLM(
  (model): LlamaModel(
    (embed_tokens): Embedding(32000, 3200, padding_idx=0)
    (layers): ModuleList(
      (0-25): 26 x LlamaDecoderLayer(
        (self_attn): LlamaAttention(
          (q_proj): Linear(in_features=3200, out_features=3200, bias=False)
          (k_proj): Linear(in_features=3200, out_features=3200, bias=False)
          (v_proj): Linear(in_features=3200, out_features=3200, bias=False)
          (o_proj): Linear(in_features=3200, out_features=3200, bias=False)
          (rotary_emb): LlamaRotaryEmbedding()
        )
        (mlp): LlamaMLP(
          (gate_proj): Linear(in_features=3200, out_features=8640, bias=False)
          (down_proj): Linear(in_features=8640, out_features=3200, bias=False)
          (up_proj): Linear(in_features=3200, out_features=8640, bias=False)
          (act_fn): SiLUActivation()
        )
        (input_layernorm): LlamaRMSNorm()
        (post_attention_layernorm): LlamaRMSNorm()
      )
    )
    (norm): LlamaRMSNorm()
  )
  (lm_head): Linear(in_features=3200, out_features=32000, bias=False)
)

模型配置

本模型使用H2O LLM Studio進行訓練，並採用了 cfg.yaml 中的配置。訪問 H2O LLM Studio 以瞭解如何訓練你自己的大語言模型。

🔧 技術細節

本模型基於openlm-research/open_llama_3b基礎模型，使用OpenAssistant/oasst1數據集進行個性化訓練。在訓練過程中，通過特定的配置和預處理步驟，使得模型能夠更好地適應特定的任務和數據。模型架構為LlamaForCausalLM，包含多個LlamaDecoderLayer，通過自注意力機制和多層感知機進行特徵提取和文本生成。

📄 許可證

本模型採用 Apache-2.0 許可證。

⚠️ 免責聲明

在使用本倉庫提供的大語言模型之前，請仔細閱讀本免責聲明。使用該模型即表示你同意遵守以下條款和條件。

• 偏差與冒犯性：大語言模型是在各種互聯網文本數據上進行訓練的，這些數據可能包含有偏差、種族主義、冒犯性或其他不適當的內容。使用此模型即表示你承認並接受生成的內容有時可能會表現出偏差或產生冒犯性或不適當的內容。本倉庫的開發者不認可、支持或推廣任何此類內容或觀點。
• 侷限性：大語言模型是基於人工智能的工具，而非人類。它可能會產生不正確、無意義或不相關的回覆。用戶有責任批判性地評估生成的內容，並自行決定是否使用。
• 自擔風險：使用此大語言模型的用戶必須對使用該工具可能產生的任何後果承擔全部責任。本倉庫的開發者和貢獻者不對因使用或濫用所提供的模型而導致的任何損害、損失或傷害承擔責任。
• 道德考量：鼓勵用戶負責任且合乎道德地使用大語言模型。使用此模型即表示你同意不將其用於宣揚仇恨言論、歧視、騷擾或任何形式的非法或有害活動。
• 問題報告：如果你遇到大語言模型生成的任何有偏差、冒犯性或其他不適當的內容，請通過提供的渠道向倉庫維護者報告。你的反饋將有助於改進模型並減輕潛在問題。
• 免責聲明的變更：本倉庫的開發者保留隨時修改或更新本免責聲明的權利，無需事先通知。用戶有責任定期查看免責聲明，以瞭解任何變更。

使用本倉庫提供的大語言模型即表示你同意接受並遵守本免責聲明中規定的條款和條件。如果你不同意本免責聲明的任何部分，則應避免使用該模型及其生成的任何內容。