Gpt Neo 125M Apps All

🚀 GPT-Neo-125M-APPS-all

GPT-Neo-125M-APPS-all是一個基於GPT-Neo-125M在APPS數據集上微調的模型，專門用於解決編程任務。

🚀 快速開始

請參考我們新的 GitHub Wiki，其中詳細記錄了我們創建GitHub Copilot開源版本的工作。

✨ 主要特性

GPT-Neo-125M-APPS-all是在GPT-Neo-125M基礎上，針對APPS數據集進行微調得到的模型，專注於解決編程任務。

📦 安裝指南

訓練此模型的腳本可在 這裡 找到。

使用AdamW優化器和具有800個熱身步驟的線性衰減學習率調度，進行5個epoch的訓練。要復現訓練過程，可以使用以下命令結合上述腳本：

python run_clm_apps.py \
    --output_dir $HOME/gpt-neo-125M-apps \
    --model_name_or_path EleutherAI/gpt-neo-125B \
    --dataset_name $HOME/gpt-code-clippy/data_processing/apps.py \
    --dataset_config_name formatted \
    --do_train --do_eval \
    --block_size="1024" \
    --per_device_train_batch_size="16" \
    --per_device_eval_batch_size="16" \
    --preprocessing_num_workers="16" \
    --learning_rate="8e-5" \
    --warmup_steps="800" \
    --adam_beta1="0.9" \
    --adam_beta2="0.98" \
    --weight_decay="0.1" \
    --overwrite_output_dir \
    --num_train_epochs="5" \
    --logging_steps="50" \
    --eval_steps="2000" \
    --report_to="wandb" \
    --dtype="bfloat16" \
    --save_strategy epoch \
    --gradient_accumulation_steps 2 \
    --all_data true \

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer, FlaxAutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("flax-community/gpt-code-clippy-125M-apps-alldata")
tokenizer = AutoTokenizer.from_pretrained("flax-community/gpt-code-clippy-125M-apps-alldata")

prompt = """
A function to greet user. Given a user name it should say hello

def greet(name):

ANSWER:
""" 

input_ids = tokenizer(prompt, return_tensors='pt').input_ids.to(device)
start = input_ids.size(1)
out = model.generate(input_ids, do_sample=True, max_length=50, num_beams=2, 
                     early_stopping=True, eos_token_id=tokenizer.eos_token_id, )

print(tokenizer.decode(out[0][start:]))

📚 詳細文檔

模型描述

GPT-Neo-125M-APPS-all是在APPS數據集上微調的GPT-Neo-125M模型，專門用於解決編程任務。

訓練數據

該模型在 自動化編程進度標準 (APPS) 數據集 上進行訓練。該數據集總共包含10,000個編碼問題，有131,836個用於檢查解決方案的測試用例和232,444個人類編寫的真實解決方案。問題可能很複雜，平均每個問題的長度為293.2個單詞。數據被均勻地分為訓練集和測試集，每個集合有5,000個問題。

此模型使用了大部分APPS數據集進行微調，包括訓練集和測試集，以探索此訓練任務對模型在其他代碼合成評估指標上性能的影響。僅在訓練集上微調的模型可以在 這裡 找到。

預期用途和侷限性

使用方法

你可以直接使用此模型進行文本生成。此示例每次運行時都會生成不同的序列：

侷限性和偏差

該模型旨在用於研究目的，不保證生成代碼的質量。

OpenAI的論文 "Evaluating Large Language Models Trained on Code" 對在代碼上訓練的大語言模型的影響進行了很好的討論。因此，這裡突出了他們討論中與該數據集以及可能從該數據集訓練的模型相關的部分。以及與論文觀點的一些差異，特別是在法律影響方面。

1. 過度依賴：此模型可能會生成看似合理但不一定正確的解決方案。如果不正確評估生成的代碼，可能會導致負面後果，例如引入錯誤或安全漏洞。因此，用戶必須瞭解使用此語言模型的侷限性和潛在負面後果。
2. 經濟和勞動力市場影響：在如此大規模代碼數據集上訓練的、能夠生成高質量代碼的大語言模型有潛力自動化部分軟件開發過程。這可能會對軟件開發人員產生負面影響。然而，正如論文中所討論的，根據 O*NET OnLine 的軟件開發人員總結報告所示，開發人員不僅僅是編寫軟件。
3. 偏差：該模型在包含以特定方式格式化的提示問題的數據上進行訓練。如果提示格式與APPS數據集中使用的格式不同，模型的性能可能會變差。

GPT-CC是微調後的GPT-Neo，可能繼承了它的偏差和侷限性。詳情請參閱 GPT-Neo模型卡片。

🔧 技術細節

訓練此模型使用AdamW優化器和具有800個熱身步驟的線性衰減學習率調度，進行5個epoch的訓練。

📄 許可證

本項目採用MIT許可證。

📦 信息表格

⚠️ 重要提示

此模型旨在用於研究目的，不保證生成代碼的質量。使用時需注意其侷限性和潛在負面後果。

💡 使用建議

• 對生成的代碼進行充分評估，避免引入錯誤或安全漏洞。
• 注意提示格式，儘量與APPS數據集中的格式保持一致，以獲得更好的性能。