模型卡片

概要

在这里尝试我们的聊天机器人: https://gpt-gm.h2o.ai/

该模型是使用 H2O LLM Studio 进行训练的。

基础模型： openlm-research/open_llama_7b_preview_300bt
数据集准备： OpenAssistant/oasst1

使用方法

要在带有GPU的机器上使用transformers库与模型，首先确保已安装transformers和torch库。

pip install transformers==4.28.1
pip install torch==2.0.0

import torch
from transformers import pipeline

generate_text = pipeline(
    model="h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-7b-preview-300bt-v2",
    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=256,
    do_sample=False,
    num_beams=2,
    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一个示例提示，以查看如何将其馈送到标记器中：

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

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

或者，如果您不希望使用 trust_remote_code=True ，可以下载 h2oai_pipeline.py ，将其存储在笔记本的旁边，并从加载的模型和标记器构建流水线：

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

tokenizer = AutoTokenizer.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-7b-preview-300bt-v2",
    use_fast=False,
    padding_side="left"
)
model = AutoModelForCausalLM.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-7b-preview-300bt-v2",
    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=256,
    do_sample=False,
    num_beams=2,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
    renormalize_logits=True
)
print(res[0]["generated_text"])

您还可以从加载的模型和标记器自己构建流水线，考虑预处理步骤：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "h2oai/h2ogpt-gm-oasst1-en-2048-open-llama-7b-preview-300bt-v2"  # 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=256,
    do_sample=False,
    num_beams=2,
    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训练的，并使用cfg.yaml中的配置。访问 H2O LLM Studio 以了解如何训练自己的大型语言模型。

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：大型语言模型是基于各种互联网文本数据进行训练的，这些数据可能包含有偏见、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可能会展示偏见或产生冒犯或不当的内容。本存储库的开发人员不赞同、支持或推广任何此类内容或观点。
限制：大型语言模型是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。
自担风险：使用本大型语言模型的用户必须为其使用工具可能导致的任何后果承担全部责任。本存储库的开发人员和贡献者不对使用或滥用提供的模型而导致的任何损害、损失或伤害承担责任。
道德考量：鼓励用户负责和合乎道德地使用大型语言模型。使用该模型时，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行为。
报告问题：如果您遇到由大型语言模型生成的带有偏见、冒犯或其他不适当内容，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，无需事先通知。用户有责任定期查看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，表示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，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