Gpt Neo 125M Apps All

🚀 GPT-Neo-125M-APPS-all

GPT-Neo-125M-APPS-all是一个基于GPT-Neo-125M在APPS数据集上微调的模型，专门用于解决编程任务。

🚀 快速开始

请参考我们新的 GitHub Wiki，其中详细记录了我们创建GitHub Copilot开源版本的工作。

✨ 主要特性

GPT-Neo-125M-APPS-all是在GPT-Neo-125M基础上，针对APPS数据集进行微调得到的模型，专注于解决编程任务。

📦 安装指南

训练此模型的脚本可在 这里 找到。

使用AdamW优化器和具有800个热身步骤的线性衰减学习率调度，进行5个epoch的训练。要复现训练过程，可以使用以下命令结合上述脚本：

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

基础用法

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:]))

📚 详细文档

模型描述

GPT-Neo-125M-APPS-all是在APPS数据集上微调的GPT-Neo-125M模型，专门用于解决编程任务。

训练数据

该模型在 自动化编程进度标准 (APPS) 数据集 上进行训练。该数据集总共包含10,000个编码问题，有131,836个用于检查解决方案的测试用例和232,444个人类编写的真实解决方案。问题可能很复杂，平均每个问题的长度为293.2个单词。数据被均匀地分为训练集和测试集，每个集合有5,000个问题。

此模型使用了大部分APPS数据集进行微调，包括训练集和测试集，以探索此训练任务对模型在其他代码合成评估指标上性能的影响。仅在训练集上微调的模型可以在 这里 找到。

预期用途和局限性

使用方法

你可以直接使用此模型进行文本生成。此示例每次运行时都会生成不同的序列：

局限性和偏差

该模型旨在用于研究目的，不保证生成代码的质量。

OpenAI的论文 "Evaluating Large Language Models Trained on Code" 对在代码上训练的大语言模型的影响进行了很好的讨论。因此，这里突出了他们讨论中与该数据集以及可能从该数据集训练的模型相关的部分。以及与论文观点的一些差异，特别是在法律影响方面。

1. 过度依赖：此模型可能会生成看似合理但不一定正确的解决方案。如果不正确评估生成的代码，可能会导致负面后果，例如引入错误或安全漏洞。因此，用户必须了解使用此语言模型的局限性和潜在负面后果。
2. 经济和劳动力市场影响：在如此大规模代码数据集上训练的、能够生成高质量代码的大语言模型有潜力自动化部分软件开发过程。这可能会对软件开发人员产生负面影响。然而，正如论文中所讨论的，根据 O*NET OnLine 的软件开发人员总结报告所示，开发人员不仅仅是编写软件。
3. 偏差：该模型在包含以特定方式格式化的提示问题的数据上进行训练。如果提示格式与APPS数据集中使用的格式不同，模型的性能可能会变差。

GPT-CC是微调后的GPT-Neo，可能继承了它的偏差和局限性。详情请参阅 GPT-Neo模型卡片。

🔧 技术细节

训练此模型使用AdamW优化器和具有800个热身步骤的线性衰减学习率调度，进行5个epoch的训练。

📄 许可证

本项目采用MIT许可证。

📦 信息表格

⚠️ 重要提示

此模型旨在用于研究目的，不保证生成代码的质量。使用时需注意其局限性和潜在负面后果。

💡 使用建议

• 对生成的代码进行充分评估，避免引入错误或安全漏洞。
• 注意提示格式，尽量与APPS数据集中的格式保持一致，以获得更好的性能。