Paligemma 3B Chat V0.2

🚀 PaliGemma-3B-Chat-v0.2

本模型是基于 google/paligemma-3b-mix-448 微调而来，用于多轮聊天完成任务。

您可以在以下链接体验我们的实时演示：https://huggingface.co/spaces/llamafactory/PaliGemma-3B-Chat-v0.2

🚀 快速开始

✨ 主要特性

• 基于预训练模型 google/paligemma-3b-mix-448 进行微调，适用于多轮聊天完成任务。
• 支持图像文本到文本的转换。
• 提供实时演示，方便用户体验。

📦 安装指南

此部分原文档未提供具体安装命令，跳过。

💻 使用示例

基础用法

import requests
import torch
from PIL import Image
from transformers import AutoModelForVision2Seq, AutoProcessor, AutoTokenizer, TextStreamer

model_id = "BUAADreamer/PaliGemma-3B-Chat-v0.2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForVision2Seq.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
streamer = TextStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = processor(images=[image], return_tensors="pt").to(model.device)["pixel_values"]

messages = [
    {"role": "user", "content": "What is in this image?"}
]
input_ids = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
image_token_id = tokenizer.convert_tokens_to_ids("<image>")
image_prefix = torch.empty((1, getattr(processor, "image_seq_length")), dtype=input_ids.dtype).fill_(image_token_id)
input_ids = torch.cat((image_prefix, input_ids), dim=-1).to(model.device)

generate_ids = model.generate(input_ids, pixel_values=pixel_values, streamer=streamer, max_new_tokens=50)

📚 详细文档

训练过程

我们使用 LLaMA Factory 对该模型进行微调。在微调过程中，我们冻结了视觉塔，并调整了语言模型和投影层的参数。

训练超参数

以下是训练过程中使用的超参数：

• 学习率：0.000003
• 训练轮数：2.0
• 训练批次大小：4
• 梯度累积步数：16
• 总训练批次大小：64
• 随机种子：42
• 学习率调度器类型：余弦
• 混合精度训练：bf16

### model
model_name_or_path: google/paligemma-3b-mix-448
visual_inputs: true

### method
stage: sft
do_train: true
finetuning_type: full

### ddp
ddp_timeout: 180000000
deepspeed: examples/deepspeed/ds_z3_config.json

### dataset
dataset: identity,llava_150k_en,llava_150k_zh
template: gemma
cutoff_len: 1536
overwrite_cache: true
preprocessing_num_workers: 16
tokenized_path: cache/paligemma-identity-llava-zh-en-300k

### output
output_dir: models/paligemma-3b-chat-v0.2
logging_steps: 10
save_steps: 1000
plot_loss: true

### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 16
learning_rate: 0.000003
num_train_epochs: 2.0
lr_scheduler_type: cosine
warmup_steps: 50
bf16: true
do_eval: false

框架版本

• Pytorch 2.3.0
• Transformers 4.41.0

评估结果

🔧 技术细节

此部分原文档技术说明较少，跳过。

📄 许可证

许可证：gemma

信息表格