Gpt Neo 1.3B Apps All

🚀 GPT-Neo-1.3B-APPS-all

GPT-Neo-1.3B-APPS-all是一個針對編程任務優化的模型，它基於GPT-Neo-1.3B在APPS數據集上微調而來，能有效解決各類編程問題。

🚀 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-1.3B-APPS-all是在APPS數據集上微調的GPT-Neo-1.3B模型，專門用於解決編程任務。

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer, FlaxAutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("flax-community/gpt-code-clippy-1.3B-apps-alldata")

tokenizer = AutoTokenizer.from_pretrained("flax-community/gpt-code-clippy-1.3B-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:]))

高級用法

文檔未提及高級用法示例，故跳過該部分。

📚 詳細文檔

模型描述

GPT-Neo-1.3B-APPS-all是在APPS數據集上微調的GPT-Neo-1.3B模型，專門用於解決編程任務。

訓練數據

該模型在 Automated Programming Progress Standard (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，以及232,444個由人類編寫的真實解決方案。問題可能較為複雜，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，每個集合包含5,000個問題。

此模型使用了APPS數據集的大部分數據進行微調，包括訓練集和測試集，以探索這種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。

訓練過程

用於訓練此模型的訓練腳本可以在 這裡 找到。

訓練使用AdamW優化器進行了5個epoch，並採用了線性衰減學習率調度，有800個熱身步驟。要重現訓練過程，可以使用上述腳本並執行以下命令：

python run_clm_apps.py \
    --output_dir ./gpt-neo-1.3B-apps \
    --model_name_or_path EleutherAI/gpt-neo-1.3B \
    --dataset_name ./apps.py \
    --dataset_config_name formatted \
    --do_train --do_eval \
    --block_size="1024" \
    --per_device_train_batch_size="3" \
    --per_device_eval_batch_size="3" \
    --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 1 \
    --all_data true \

預期用途和侷限性

該模型經過微調，可根據文本描述和可選的起始代碼解決編程問題。

使用方法

你可以直接使用文本生成管道來使用此模型。以下示例每次運行時都會生成不同的序列：

# 代碼示例保持不變
from transformers import AutoModelForCausalLM, AutoTokenizer, FlaxAutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("flax-community/gpt-code-clippy-1.3B-apps-alldata")

tokenizer = AutoTokenizer.from_pretrained("flax-community/gpt-code-clippy-1.3B-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:]))

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大語言模型，能夠生成高質量代碼，有可能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 對軟件開發人員的總結報告所示，開發人員不僅僅是編寫軟件。
3. 偏差：該模型在包含特定格式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。

評估結果

即將推出...

🔧 技術細節

文檔未提供足夠的技術實現細節，故跳過該章節。

📄 許可證

該項目採用MIT許可證。