Explore options for fine-tuning Llama 3 models and dive into TorchTune, a library built to simplify fine-tuning. This chapter guides you through data preparation, TorchTune's recipe-based system, and efficient task configuration, providing the key steps to launch your first fine-tuning task.

The Llama fine-tuning libraries

Listing TorchTune recipes

Running a TorchTune task

Preprocessing data for fine-tuning

Filtering datasets for evaluation

Creating training samples

Saving preprocessed datasets

Fine-tuning with TorchTune

Defining custom recipes

Saving custom recipes

Running custom fine-tuning

Preparing for Llama fine-tuning

Learn how fine-tuning can significantly improve the performance of smaller models for specific tasks. Start with fine-tuning smaller Llama models to enhance their task-specific capabilities. Next, discover parameter-efficient fine-tuning techniques such as LoRA, and explore quantization to load and use even larger models.

Messa a punto del modello con Hugging Face

Configurare gli argomenti di training di Llama

Fine-tuning di Llama per il QA dell'assistenza clienti

Valuta il testo generato con ROUGE

Fine-tuning efficiente con LoRA

Uso degli adapter LoRA

Fine-tuning con LoRA di Llama per l'assistenza clienti

Rendere i modelli più piccoli con la quantizzazione

Caricare modelli a 8 bit

Velocizzare l'inferenza nei modelli quantizzati

Congratulazioni!

Fine-tuning with SFTTrainer on Hugging Face

Esegui il fine-tuning dell’LLM open-source Llama per ottimizzarne le prestazioni in applicazioni specializzate. Scopri come usare il sistema basato su ricette di TorchTune e l’SFTTrainer di Hugging Face per eseguire cicli di fine-tuning, preparando i modelli con insiemi di dati personalizzati. Infine, sperimenta tecniche a elevata efficienza dei parametri come LoRA e applica la quantizzazione per ridurre l’uso di memoria del modello ed eseguire i tuoi task in modo più efficiente.

<h2>Messa a punto del modello Llama</h2> Questo corso ti dà tutte le informazioni che ti servono per preparare e usare i modelli Llama. Grazie a esempi concreti ed esercizi pratici, imparerai come configurare varie attività di ottimizzazione di Llama. <h2>Prepara i set di dati per la messa a punto</h2> Inizia a dare un'occhiata alle tecniche di preparazione dei set di dati, come caricare, dividere e salvare i set di dati usando la libreria Hugging Face Datasets, per avere dati di alta qualità per i tuoi progetti Llama. <h2>Lavora con framework di ottimizzazione</h2> Scopri come ottimizzare i flussi di lavoro usando librerie all'avanguardia come TorchTune e SFTTrainer di Hugging Face. Imparerai a configurare ricette di ottimizzazione, impostare argomenti di formazione e usare tecniche efficienti come LoRA (Low-Rank Adaptation) e quantizzazione con BitsAndBytes per ottimizzare l'uso delle risorse. Mettendo insieme le tecniche che hai imparato durante il corso, potrai personalizzare i modelli Llama in modo efficiente per adattarli alle esigenze dei tuoi progetti.

Working with Llama 3

Ottimizza Llama per compiti personalizzati con TorchTune e impara tecniche come la quantizzazione.

Fine-tuning con Llama 3

Ottimizza Llama per attività personalizzate usando TorchTune e scopri tecniche per una messa a punto efficiente, come la quantizzazione.

Fondamenti di lama

Curriculum Manager, DataCamp

Making models smaller with quantization

What is quantization?

Types of quantization

Configuring quantization with bitsandbytes

Loading model with quantization

Using a quantized model

Finetuning a quantized model

Let's practice!

Fine-tuning with SFTTrainer on Hugging Face - Rendere i modelli più piccoli con la quantizzazione

Rendere i modelli più piccoli con la quantizzazione

Create Your Free Account