模型卡片

摘要

该模型是使用 H2O LLM Studio 进行训练的。

基础模型： openlm-research/open_llama_7b_400bt_preview
数据集准备： OpenAssistant/oasst1

使用方法

要在带有GPU的机器上使用transformers库来使用该模型，请确保已安装transformers、accelerate和torch库。

pip install transformers==4.28.1
pip install accelerate==0.18.0
pip install torch==2.0.0

import torch
from transformers import pipeline

generate_text = pipeline(
    model="h2oai/h2ogpt-gm-oasst1-en-1024-open-llama-7b-preview-400bt",
    torch_dtype=torch.float16,
    trust_remote_code=True,
    use_fast=False,
    device_map={"": "cuda:0"},
)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=512,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)
print(res[0]["generated_text"])

您可以在预处理步骤之后打印样本提示，以查看它是如何被送入令牌化器的：

print(generate_text.preprocess("Why is drinking water so healthy?")["prompt_text"])

<|prompt|>Why is drinking water so healthy?</s><|answer|>

或者，如果您不想使用trust_remote_code=True，可以下载h2oai_pipeline.py，将其存储在笔记本旁边，并通过加载的模型和令牌化器自行构建流水线：

import torch
from h2oai_pipeline import H2OTextGenerationPipeline
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-1024-open-llama-7b-preview-400bt",
    use_fast=False,
    padding_side="left"
)
model = AutoModelForCausalLM.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-1024-open-llama-7b-preview-400bt",
    torch_dtype=torch.float16,
    device_map={"": "cuda:0"}
)
generate_text = H2OTextGenerationPipeline(model=model, tokenizer=tokenizer)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=512,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)
print(res[0]["generated_text"])

您还可以根据加载的模型和令牌化器自行构建流水线，并考虑预处理步骤：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "h2oai/h2ogpt-gm-oasst1-en-1024-open-llama-7b-preview-400bt"  # either local folder or huggingface model name
# Important: The prompt needs to be in the same format the model was trained with.
# You can find an example prompt in the experiment logs.
prompt = "<|prompt|>How are you?</s><|answer|>"

tokenizer = AutoTokenizer.from_pretrained(model_name, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_name)
model.cuda().eval()
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to("cuda")

# generate configuration can be modified to your needs
tokens = model.generate(
    **inputs,
    min_new_tokens=2,
    max_new_tokens=512,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)[0]

tokens = tokens[inputs["input_ids"].shape[1]:]
answer = tokenizer.decode(tokens, skip_special_tokens=True)
print(answer)

模型架构

LlamaForCausalLM(
  (model): LlamaModel(
    (embed_tokens): Embedding(32000, 4096, padding_idx=0)
    (layers): ModuleList(
      (0-31): 32 x LlamaDecoderLayer(
        (self_attn): LlamaAttention(
          (q_proj): Linear(in_features=4096, out_features=4096, bias=False)
          (k_proj): Linear(in_features=4096, out_features=4096, bias=False)
          (v_proj): Linear(in_features=4096, out_features=4096, bias=False)
          (o_proj): Linear(in_features=4096, out_features=4096, bias=False)
          (rotary_emb): LlamaRotaryEmbedding()
        )
        (mlp): LlamaMLP(
          (gate_proj): Linear(in_features=4096, out_features=11008, bias=False)
          (down_proj): Linear(in_features=11008, out_features=4096, bias=False)
          (up_proj): Linear(in_features=4096, out_features=11008, bias=False)
          (act_fn): SiLUActivation()
        )
        (input_layernorm): LlamaRMSNorm()
        (post_attention_layernorm): LlamaRMSNorm()
      )
    )
    (norm): LlamaRMSNorm()
  )
  (lm_head): Linear(in_features=4096, out_features=32000, bias=False)
)

模型配置

该模型是使用H2O LLM Studio进行训练的，并采用cfg.yaml中的配置。访问 H2O LLM Studio 了解如何训练自己的大型语言模型。

模型验证

使用 EleutherAI lm-evaluation-harness 进行的模型验证结果。

CUDA_VISIBLE_DEVICES=0 python main.py --model hf-causal-experimental --model_args pretrained=h2oai/h2ogpt-gm-oasst1-en-1024-open-llama-7b-preview-400bt --tasks openbookqa,arc_easy,winogrande,hellaswag,arc_challenge,piqa,boolq --device cuda &> eval.log

免责声明

在使用本存储库中提供的大型语言模型之前，请仔细阅读此免责声明。您使用该模型即表示您同意以下条款和条件。

偏见和冒犯性：该大型语言模型经过多样化的互联网文本数据训练，其中可能包含有偏见、种族主义、冒犯或不适当的内容。使用该模型即表示您认可并接受生成的内容有时可能表现出偏见，或产生冒犯或不适当的内容。本存储库的开发人员不认可、支持或推广此类内容或观点。
局限性：该大型语言模型是一种基于人工智能的工具，而不是人类。它可能产生不正确、无意义或不相关的回复。用户有责任对生成的内容进行批判性评估，并自行决定使用该内容。
自担风险：使用该大型语言模型的用户必须承担因使用或滥用该工具而可能产生的任何后果的全部责任。本存储库的开发人员和贡献者不承担因使用或滥用提供的模型而造成的任何损害、损失或伤害。
伦理考虑：鼓励用户以负责任和道德的方式使用大型语言模型。使用该模型，您同意不将其用于促进仇恨言论、歧视、骚扰或任何形式的非法或有害活动。
报告问题：如果您遇到大型语言模型生成的有偏见、冒犯或其他不适当的内容，请通过提供的渠道向存储库维护人员报告。您的反馈将有助于改进模型并减轻潜在问题。
免责声明的更改：本存储库的开发人员保留随时修改或更新本免责声明的权利，无需提前通知。用户有责任定期查看免责声明，以了解任何更改。

通过使用本存储库中提供的大型语言模型，您同意接受并遵守本免责声明中概述的条款和条件。如果您不同意本免责声明的任何部分，您应避免使用该模型和由其生成的任何内容。

作者:

H2O.ai

数据集大小:

12.55 GB