Finetune OpenThaiGPT 0.0.1 ( GPT-2 ) on Colab

Finetune OpenThaiGPT 0.0.1 ( GPT-2 ) on Colab

คือทำ
Thai ChatGPT เพื่อตอบคำถาม ของธุรกิจหรือหน่วยงาน ของตัวเอง

ตาม Colab code ของ OpenThaiGPT version 0.0.1 ซึ่งเป็น GPT-2
( 1.2 G parameters ประมาณ 500 MB. )

Colab Code
Developer: Kobkrit Viriyayudhakorn (kobkrit@iapp.co.th)

• ตัว Pretrained ใช้ GPT2-base-thai
pretrained_name = "flax-community/gpt2-base-thai"

Model Info


GPT2LMHeadModel(

(transformer): GPT2Model

( (wte): Embedding(50268, 768)

(wpe): Embedding(1024, 768)

(drop): Dropout(p=0.0, inplace=False)

(h): ModuleList( (0-11): 12 x GPT2Block

( (ln_1): LayerNorm((768,), eps=1e-05, elementwise_affine=True)

(attn): GPT2Attention( (c_attn): Conv1D()

(c_proj): Conv1D()

(attn_dropout): Dropout(p=0.0, inplace=False)

(resid_dropout): Dropout(p=0.0, inplace=False) )

(ln_2): LayerNorm((768,), eps=1e-05, elementwise_affine=True)

(mlp): GPT2MLP( (c_fc): Conv1D()

(c_proj): Conv1D() (act): NewGELUActivation()

(dropout): Dropout(p=0.0, inplace=False) ) ) )

(ln_f): LayerNorm((768,), eps=1e-05, elementwise_affine=True) )

(lm_head): Linear(in_features=768, out_features=50268, bias=False) )









































• Dataset จาก Web Pantip
298,678 QA Pairs getting from 70,000 Pantip กระทู้
































• GPU on Colab
ต้องใช้ NVIDIA A100 40GB เพราะการ Train. Model ใช้อย่างน้อย 30 GB


• Train 1 Epoch ประมาณ 4 นาที
( ใช้ dataset แค่ 10,000 records จาก 298,678 )
( และใช้ FP16 mixed precision training )

TrainOutput(global_step=750,
training_loss=1.7032803548177082,
metrics={'train_runtime': 244.3432,
'train_samples_per_second': 36.833,
'train_steps_per_second': 3.069,
'total_flos': 4703256576000000.0,
'train_loss': 1.7032803548177082,
'epoch': 1.0})






















ผลการทดสอบ

เนื่องจาก Answer เอามาจาก Comments ซึ่งมีคำตอบบ้าง คำบ่นบ้าง


บทความนี้ ไม่ได้เป็นผู้ก่อตั้งโครงการ 
เห็นว่าเป็น โครงการที่ดี สร้างเทคโนโลยี AI ภาษาไทย เพื่อให้คนไทย ได้ใช้พัฒนากัน

Adun Nantakaew อดุลย์ นันทะแก้ว 081-6452400
LINE : adunnan




ความคิดเห็น

แสดงความคิดเห็น

โพสต์ยอดนิยมจากบล็อกนี้

OpenThaiGPT 1.0.0 7B beta GPTQ 4 bit

รูปภาพ
OpenThaiGPT 1.0.0 7B beta GPTQ 4 bit ทดสอบ การใช้งาน Model แบบ GPTQ แบบ 4 bit GPTQ-for-LLaMA 4 bits quantization of  LLaMA  using  GPTQ GPTQ is SOTA one-shot weight quantization method This code is based on  GPTQ There is a  pytorch branch  that allows you to use  groupsize  and  act-order  together. Original Model ( FP16 ) https://huggingface.co/Adun/openthaigpt-1.0.0-beta-7b-ckpt-hf GPTQ 4 bit Model https://huggingface.co/Adun/openthaigpt-1.0.0-7b-chat-beta-gptq-4bit Demo Code Text generation web UI A Gradio web UI for Large Language Models. Setting Parameters Test on  Hardware CPU : Intel i9-7900 3.3GHz GPU : NVIDIA RTX-2060 6GB Software OS  : Ubuntu 20.04.6 LTS Youtube Demo ChatBot Q&A Run Demo code    Reference GPTQ-for-LLaMa  https://github.com/amphancm/GPTQ-for-LLaMa OpenThaiGPT  https://openthaigpt.aieat.or.th/
อ่านเพิ่มเติม

OpenThaiGPT 1.0.0 70B Demo on Colab

รูปภาพ
OpenThaiGPT 1.0.0 70B Demo on Colab OpenThaiGPT 7b, 13b, 70b Version 1.0.0 is an advanced 7, 13, 70-billion-parameter Thai language chat model based on LLaMA v2 released on April 8, 2024. It has been specifically fine-tuned for Thai instructions and enhanced by incorporating over 10,000 of the most commonly used Thai words into the large language model's (LLM) dictionary, significantly boosting its response speed. Highlights Leading-edge Thai language LLM , setting new benchmarks by achieving the highest average scores across several Thai language exams when compared to all other open-source Thai LLMs. The First 70b Thai opensource LLM , achieving the higher Thai exams than OpenAI GPT 3.5, Google Gemini, and Claude 3 Haiku. Support for extended conversations across multiple turns. Support the use case of Retrieval Augmented Generation (RAG) for enriched response generation. Generation speeds increased by tenfold , thanks to the addition of 10,000 frequently used Thai words to th
อ่านเพิ่มเติม

Demo OpenThaiGPT 1.0.0-beta on Colab

รูปภาพ
Demo OpenThaiGPT 1.0.0-beta on Colab Colab code on official Website https://colab.research.google.com/drive/1NkmAJHItpqu34Tur9wCFc97A6JzKR8xo ถ้าใช้  model ตาม original colab code ที่ OpenThaiGPT Website  Model นี้จะใช้ RAM ถึง 22.6 GB เพราะเป็น model FP32 และ ต้อง Run เป็น  NVIDIA A100 GPU ไม่สามารถ run บน NVIDIA T4 GPU ที่มี ram แค่ 16GB ได้ ดังนั้น จึงต้อง convert model เป็น FP16    Convert Model to FP16 ผมได้ convert model OpenThaiGPT เป็น แบบ FP16 เพื่อสามารถ run บน NVIDIA T4 GPU ได้ ( และ เอา Base Model + LoRa adaptor แล้ว ที่ code เลยไม่ต้องมี lora_weights อีก) แล้ว upload ที่ Hugging face ตามนี้ https://huggingface.co/Adun/openthaigpt-1.0.0-beta-7b-ckpt-hf และ แก้ไข code ตามนี้ ก็สามารถ run บน NVIDIA T4 ได้ ถ้าใช้ mode 8 bit ก็จะใช้ RAM ประมาณ 8 GB Run Demo  Run Demo with Gradio สรุป การใช้ RAM แต่ละ  Quantization Model  Reference OpenThaiGPT https://openthaigpt.aieat.or.th/ Colab Code  https://colab.research.google.com/drive/1NkmAJHItpqu34Tur9wCFc97A6JzKR8xo Facebook LLaMA 7B
อ่านเพิ่มเติม