Mencipta LLM untuk ujian dengan aliran tensor dalam Python

DDD
Lepaskan: 2024-10-08 06:13:01
asal
416 orang telah melayarinya

Creating an LLM for testing with tensorflow in Python

Hai,

Saya ingin menguji program LLM kecil dan saya memutuskan untuk melakukannya dengan aliran tensor .

Kod sumber saya tersedia dalam https://github.com/victordalet/first_llm


I - Keperluan

Anda perlu memasang aliran tensor dan numpy


pip install 'numpy<2'
pip install tensorflow


Salin selepas log masuk

II - Cipta Set Data

Anda perlu membuat tatasusunan rentetan data untuk mengira set data kecil, contohnya saya mencipta :


data = [
    "Salut comment ca va",
    "Je suis en train de coder",
    "Le machine learning est une branche de l'intelligence artificielle",
    "Le deep learning est une branche du machine learning",
]


Salin selepas log masuk

Anda boleh mencari set data pada kaggle jika anda tidak mendapat inspirasi.


III - Bina model dan latihnya

Untuk melakukan ini, saya mencipta kelas LLM kecil dengan pelbagai kaedah.


class LLM:

    def __init__(self):
        self.model = None
        self.max_sequence_length = None
        self.input_sequences = None
        self.total_words = None
        self.tokenizer = None
        self.tokenize()
        self.create_input_sequences()
        self.create_model()
        self.train()
        test_sentence = "Pour moi le machine learning est"
        print(self.test(test_sentence, 10))

    def tokenize(self):
        self.tokenizer = Tokenizer()
        self.tokenizer.fit_on_texts(data)
        self.total_words = len(self.tokenizer.word_index) + 1

    def create_input_sequences(self):
        self.input_sequences = []
        for line in data:
            token_list = self.tokenizer.texts_to_sequences([line])[0]
            for i in range(1, len(token_list)):
                n_gram_sequence = token_list[:i + 1]
                self.input_sequences.append(n_gram_sequence)

        self.max_sequence_length = max([len(x) for x in self.input_sequences])
        self.input_sequences = pad_sequences(self.input_sequences, maxlen=self.max_sequence_length, padding='pre')

    def create_model(self):
        self.model = Sequential()
        self.model.add(Embedding(self.total_words, 100, input_length=self.max_sequence_length - 1))
        self.model.add(LSTM(150, return_sequences=True))
        self.model.add(Dropout(0.2))
        self.model.add(LSTM(100))
        self.model.add(Dense(self.total_words, activation='softmax'))

    def train(self):
        self.model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

        X, y = self.input_sequences[:, :-1], self.input_sequences[:, -1]
        y = tf.keras.utils.to_categorical(y, num_classes=self.total_words)

        self.model.fit(X, y, epochs=200, verbose=1)


Salin selepas log masuk

IV - Ujian

Akhir sekali, saya menguji model, dengan kaedah ujian yang dipanggil dalam pembina kelas saya.

Amaran: Saya menyekat penjanaan dalam fungsi ujian ini jika perkataan yang dihasilkan adalah sama dengan perkataan sebelumnya.


    def test(self, sentence: str, nb_word_to_generate: int):
        last_word = ""
        for _ in range(nb_word_to_generate):

            token_list = self.tokenizer.texts_to_sequences([sentence])[0]
            token_list = pad_sequences([token_list], maxlen=self.max_sequence_length - 1, padding='pre')
            predicted = np.argmax(self.model.predict(token_list), axis=-1)
            output_word = ""
            for word, index in self.tokenizer.word_index.items():
                if index == predicted:
                    output_word = word
                    break

            if last_word == output_word:
                return sentence

            sentence += " " + output_word
            last_word = output_word

        return sentence


Salin selepas log masuk

Atas ialah kandungan terperinci Mencipta LLM untuk ujian dengan aliran tensor dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

sumber:dev.to
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan