Model Card

概要

此模型是使用 H2O LLM Studio 进行训练的。

基础模型： openlm-research/open_llama_13b
数据集准备： OpenAssistant/oasst1 个性化

用法

要在装有GPU的机器上使用transformers库使用该模型，请确保您已经安装了transformers，accelerate和torch库。

pip install transformers==4.30.0.dev0
pip install accelerate==0.19.0
pip install torch==2.0.1

import torch
from transformers import pipeline

generate_text = pipeline(
    model="h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-13b",
    torch_dtype="auto",
    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=1024,
    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示例提示，以查看如何将其输入到标记器中：

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

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

或者，您可以下载h2oai_pipeline.py文件，将其存储在笔记本旁边，并根据加载的模型和标记器构建管道。如果该模型和标记器在transformers包中得到了完全支持，这将允许您设置trust_remote_code=False。

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

tokenizer = AutoTokenizer.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-13b",
    use_fast=False,
    padding_side="left",
    trust_remote_code=True,
)
model = AutoModelForCausalLM.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-13b",
    torch_dtype="auto",
    device_map={"": "cuda:0"},
    trust_remote_code=True,
)
generate_text = H2OTextGenerationPipeline(model=model, tokenizer=tokenizer)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=1024,
    do_sample=False,
    num_beams=1,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)
print(res[0]["generated_text"])

您还可以自己从加载的模型和标记器构建管道，并考虑预处理步骤：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-13b"  # 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,
    trust_remote_code=True,
)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map={"": "cuda:0"},
    trust_remote_code=True,
)
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=1024,
    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, 5120, padding_idx=0)
    (layers): ModuleList(
      (0-39): 40 x LlamaDecoderLayer(
        (self_attn): LlamaAttention(
          (q_proj): Linear(in_features=5120, out_features=5120, bias=False)
          (k_proj): Linear(in_features=5120, out_features=5120, bias=False)
          (v_proj): Linear(in_features=5120, out_features=5120, bias=False)
          (o_proj): Linear(in_features=5120, out_features=5120, bias=False)
          (rotary_emb): LlamaRotaryEmbedding()
        )
        (mlp): LlamaMLP(
          (gate_proj): Linear(in_features=5120, out_features=13824, bias=False)
          (down_proj): Linear(in_features=13824, out_features=5120, bias=False)
          (up_proj): Linear(in_features=5120, out_features=13824, bias=False)
          (act_fn): SiLUActivation()
        )
        (input_layernorm): LlamaRMSNorm()
        (post_attention_layernorm): LlamaRMSNorm()
      )
    )
    (norm): LlamaRMSNorm()
  )
  (lm_head): Linear(in_features=5120, out_features=32000, bias=False)
)

模型配置

此模型是使用H2O LLM Studio以及cfg.yaml中的配置进行训练的。请访问 H2O LLM Studio 了解如何训练您自己的大型语言模型。

免责声明

在使用本仓库提供的大型语言模型之前，请仔细阅读本免责声明。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：大型语言模型是基于各种互联网文本数据进行训练的，其中可能包含有偏见、种族主义、冒犯性或其他不适当的内容。通过使用该模型，您承认并接受生成的内容有时可能会存在偏见，或产生冒犯或不适当的内容。本仓库的开发者不认可、支持或促进任何此类内容或观点。
限制条件：大型语言模型是一种基于人工智能的工具，而不是人类。它可能会产生不正确、荒谬或无关的回答。用户有责任对生成的内容进行批判性评估，并根据自己的判断使用它。
自担风险使用：使用该大型语言模型的用户必须对因使用或滥用提供的模型可能产生的任何后果负起全部责任。本仓库的开发者和贡献者对使用或滥用所提供的模型导致的任何损害、损失或伤害不承担责任。
道德考虑：鼓励用户负责任和道德地使用大型语言模型。通过使用该模型，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：如果您发现由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仓库维护人员报告。您的反馈将有助于改进模型并减少潜在问题。
免责声明的变更：本仓库的开发者保留随时修改或更新本免责声明的权利，无需事先通知。用户有责任定期查阅免责声明，以了解任何变更。

通过使用本仓库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:

48.49 GB