File size: 18,682 Bytes
9591b5b |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 |
{
"cells": [
{
"cell_type": "markdown",
"id": "65c9fdf3",
"metadata": {
"slideshow": {
"slide_type": "slide"
}
},
"source": [
"Hugging Face: IA Colaborativa\n",
"========================="
]
},
{
"cell_type": "markdown",
"id": "32a802c2",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"¿Quién soy?\n",
"------------------\n",
"\n",
"<div style=\"text-align:center\">\n",
" <h4 style=\"font-size:1.5em;margin:5px\">Cristian Cardellino</h4>\n",
" <h5 style=\"font-style:normal;font-size:1em;margin:5px\">Profesor de FAMAFyC (UNC) - Investigador en Mercado Libre</h5>\n",
" <div style=\"display:inline-block;margin-right:0px;\">\n",
" <img src=\"./img/me.jpg\" style=\"height:10em;width:auto;\"/>\n",
" </div>\n",
" <h6 style=\"font-style:normal;font-size:0.9em;margin:5px;\">\n",
" <a href=\"https://twitter.com/crscardellino\" style=\"color:royalblue;\" target=\"_blank\">@crscardellino</a> -\n",
" <a href=\"https://mastodon.social/@crscardellino\" style=\"color:royalblue;\" target=\"_blank\">@crscardellino@mastodon.social</a> -\n",
" <a href=\"https://crscardellino.ar\" style=\"color:royalblue;\" target=\"_blank\">https://crscardellino.ar</a>\n",
" </h6>\n",
"</div>"
]
},
{
"cell_type": "markdown",
"id": "bb685a55",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## Esquema de la charla\n",
"\n",
"1. [¿Qué hay detrás de ChatGPT?](#¿Qué-hay-detrás-de-ChatGPT?)\n",
"2. [Hugging Face](#Hugging-Face)\n",
"3. [Utilizando un modelo de Hugging Face](#Utilizando-un-modelo-de-Hugging-Face)\n",
"4. Personalizando un modelo de Hugging Face"
]
},
{
"cell_type": "markdown",
"id": "eb7f3997",
"metadata": {
"slideshow": {
"slide_type": "slide"
}
},
"source": [
"# ¿Qué hay detrás de ChatGPT?"
]
},
{
"cell_type": "markdown",
"id": "87d1ca59",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## ¿Cómo continúa esta frase?\n",
"\n",
"<h2 style=\"text-align:center;font-weight:normal;\">You ...</h2>"
]
},
{
"cell_type": "markdown",
"id": "1e5a5c6b",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"source": [
"<h2 style=\"text-align:center;font-weight:normal;\">You shall ...</h2>"
]
},
{
"cell_type": "markdown",
"id": "f71da59e",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"source": [
"<h2 style=\"text-align:center;font-weight:normal;\">You shall not ...</h2>"
]
},
{
"cell_type": "markdown",
"id": "2910e985",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"source": [
"<div style=\"text-align:center;\">\n",
" <h2 style=\"font-weight:normal;\">You shall not pass!</h2>\n",
" <div style=\"display:inline-block;margin-top:10px;\">\n",
" <img src=\"./img/gandalf.gif\" style=\"height:10em;width:auto;\"/>\n",
" </div>\n",
"</div>"
]
},
{
"cell_type": "markdown",
"id": "283ca08c",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## ¿Qué son los \"modelos de lenguaje\"? (Language Models)\n",
"\n",
"- Modelos de aprendizaje automático.\n",
"- Dado un contexto (e.g. una lista de palabras previas), predicen la palabra siguiente.\n",
"- Se entrenan con texto libre."
]
},
{
"cell_type": "markdown",
"id": "778b5e91",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"source": [
"### ¿Qué son los \"LLMs\"? (Large Language Models)\n",
"\n",
"- Modelos de lenguajes entrenados con una gran cantidad de datos y de parámetros:\n",
" - Suelen entrenarse con corpus del orden de $10^{10}$ palabras.\n",
" - Suelen tener de $10^8$ o $10^9$ parámetros en adelante.\n",
"- El término se asocia generalmente a aquellos modelos basados en la arquitectura neuronal del **Transformer**."
]
},
{
"cell_type": "markdown",
"id": "cfc710ea",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## ¿Qué es un \"Transformer\"?\n",
"\n",
"- Es una arquitectura de red neuronal basada en el concepto de \"Atención\" que se presentó en el paper [\"Attention is All You Need\"](https://arxiv.org/abs/1706.03762).\n",
"- Originalmente se planteó como un esquema para hacer traducción automática.\n",
" - Consta de dos partes: Un codificador y un decodificador.\n",
" - A partir de este surgieron dos variantes\n",
" - Los modelos basados en el codificador (e.g. [BERT](https://arxiv.org/abs/1810.04805)). Sirven para buscar representaciones vectoriales (embeddings) del texto.\n",
" - Los modelos basados en el decodificador (e.g. [GPT](https://arxiv.org/abs/2005.14165)). Sirven para generación de texto.\n",
"- La idea del transformer es \"definir\" una palabra de acuerdo a la relación que tiene con las palabras de su vecindario, en una operación de multiplicación matricial con pesos.\n",
" - Para una explicación más sencilla pero más detallada sugiero los posts de la serie \"The Illustrated...\" de [Jay Alammar](http://jalammar.github.io/):\n",
" - [The Illustrated Transformer](http://jalammar.github.io/illustrated-transformer/)\n",
" - [The Illustrated BERT](http://jalammar.github.io/illustrated-bert/)\n",
" - [The Illustrated GPT-2](http://jalammar.github.io/illustrated-gpt2/) / [How GPT-3 Works](http://jalammar.github.io/how-gpt3-works-visualizations-animations/)"
]
},
{
"cell_type": "markdown",
"id": "8958cf42",
"metadata": {
"slideshow": {
"slide_type": "slide"
}
},
"source": [
"# Hugging Face"
]
},
{
"cell_type": "markdown",
"id": "6038bd78",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## ¿Qué es Hugging Face?\n",
"\n",
"- Una [comunidad colaborativa](https://huggingface.co/) para hacer Inteligencia Artificial (IA).\n",
"- Cuenta con repositorios para subir [modelos](https://huggingface.co/models), [datasets](https://huggingface.co/datasets) y [demos](https://huggingface.co/spaces).\n",
"- Además, ofrecen varias librerías orientadas a la IA, particularmente al Aprendizaje Profundo (Deep Learning), entre las que destacan:\n",
" - [`transformers`](https://huggingface.co/docs/transformers): La que veremos en esta charla, para todo lo relacionado a NLP con LLMs.\n",
" - [`datasets`](https://huggingface.co/docs/datasets): Una librería especializada en el tratamiento de los conjuntos de datos a utilizar para entrenar/ajustar los LLMs.\n",
" - [`tokenizers`](https://huggingface.co/docs/tokenizers): Para el proceso de \"tokenización\", i.e. la división de texto de manera discreta en palabras o subpalabras.\n",
"- Hugging Face no sólo ofrece soluciones sobre NLP, sino que también lo hace con imágenes, con librerías como [`diffusers`](https://huggingface.co/docs/diffusers), para la generación de imágenes:\n",
" - Lectura recomendada: [The Illustrated Stable Diffusion](http://jalammar.github.io/illustrated-stable-diffusion/)"
]
},
{
"cell_type": "markdown",
"id": "25ad7d45",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## ¿Cómo empezar con Hugging Face?\n",
"\n",
"- Primero se [crea una cuenta en la página](https://huggingface.co/join).\n",
"- Luego podemos [crear modelos](https://huggingface.co/new) a través del menú que se despliega de nuestro avatar.\n",
"- Una vez creado el modelo, este es un repositorio de git que puede accederse clonándolo localmente.\n",
" - Requiere de [`git-lfs`](https://git-lfs.com/)."
]
},
{
"cell_type": "markdown",
"id": "3c6f89c3",
"metadata": {
"slideshow": {
"slide_type": "slide"
}
},
"source": [
"# Utilizando un modelo de Hugging Face"
]
},
{
"cell_type": "markdown",
"id": "f91311b5",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## Cargando los modelos\n",
"\n",
"- Hugging Face ofrece muchísimos modelos en su [repositorio](https://huggingface.co/models), para este caso elegimos el modelo [`bigscience/bloom-3b`](https://huggingface.co/bigscience/bloom-3b) de la organización [Big Science](https://bigscience.huggingface.co/blog/bloom).\n",
" - Esta organización ha estado [creando modelos](https://huggingface.co/bigscience) bajo una [licencia abierta](https://bigscience.huggingface.co/blog/the-bigscience-rail-license) (con ciertas limitaciones de uso para evitar abuso).\n",
" - Son responsables del [LLM abierto más grande actualmente disponible](https://huggingface.co/bigscience/bloom).\n",
"- El modelo elegido es un modelo de 3 mil millones (3 billion) de parámetros."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "d3225616",
"metadata": {
"slideshow": {
"slide_type": "-"
}
},
"outputs": [],
"source": [
"import torch\n",
"\n",
"from IPython.display import display, HTML\n",
"from transformers import AutoModelForCausalLM, AutoTokenizer\n",
"\n",
"BASE_MODEL = 'bigscience/bloom-3b' # More models at https://huggingface.co/models\n",
"\n",
"tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)\n",
"model = AutoModelForCausalLM.from_pretrained(\n",
" BASE_MODEL,\n",
" low_cpu_mem_usage=True,\n",
" torch_dtype='auto'\n",
")"
]
},
{
"cell_type": "markdown",
"id": "b523bf51",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"## Generando Texto a Partir de un PROMPT\n",
"\n",
"- Los modelos de lenguaje necesitan una semilla, denominada comúnmente **prompt**, para iniciar su conversación.\n",
"- A partir de dicha semilla, los modelos pueden empezar a predecir las palabras siguiente.\n",
"- La coherencia de la frase depende de varios aspectos:\n",
" - El tamaño y [entrenamiento](https://github.com/huggingface/notebooks/blob/main/examples/language_modeling_from_scratch.ipynb) o [ajuste](https://github.com/huggingface/notebooks/blob/main/examples/language_modeling.ipynb) (fine-tuning) del modelo.\n",
" - Modelos más grandes suelen ser mejor en escenarios \"open end\", aunque pueden desvariar (o \"alucinar\").\n",
" - El tipo de datos con el que se entrenó/ajustó el modelo.\n",
" - La [estrategia](https://github.com/huggingface/blog/blob/main/notebooks/02_how_to_generate.ipynb) a la hora de generar texto.\n",
" - La [documentación de Hugging Face](https://huggingface.co/docs/transformers/notebooks) tiene más ejemplos que pueden reproducirse."
]
},
{
"cell_type": "markdown",
"id": "eed5b04f",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"### Estableciendo un PROMPT\n",
"\n",
"- El **prompt** inicial es el que \"ayudará\" al modelo a devolver resultados más o menos coherentes.\n",
"- Actualmente es más un arte que una ciencia.\n",
" - **No existe el \"prompt engineering\" porque los modelos no son determinísticos.**\n",
"- Depende muchísimo del modelo, la inicialización aleatoria (i.e. la suerte), la tarea que se busca resolver, entre otros factores.\n",
"- Siguiendo los ejemplos de [esta publicación](https://medium.com/@fractal.ai/create-conversational-agents-using-bloom-part-1-63a66e6321c0), y en vistas de armar un chatbot, buscaré definir 3 cosas:\n",
" - La \"identidad\", i.e. ¿Qué es?\n",
" - La \"intención\", i.e. ¿Qué hace?\n",
" - El \"comportamiento\", i.e. ¿Cómo lo hace?\n",
"- Además, se le pueden dar ejemplos concretos de cómo se espera que interactúe. Estos sirven a los LLMs para hacer lo que se conoce como \"Few Shot Learning\" (aunque no están \"aprendiendo\", los ejemplos sólo ayudan a mejorar el contexto."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "d6f85ea7",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"outputs": [],
"source": [
"PROMPT = \"\"\"\n",
"La siguiente es una conversación entre un HUMANO y un bot EXPERTO en software libre.\n",
"El EXPERTO le ayuda al HUMANO con preguntas acerca de software libre.\n",
"El EXPERTO es conversacional, optimista, flexible, creativo y genera respuestas parecidas a un humano.\n",
"\n",
"HUMANO: Hola, ¿Cómo estás?\n",
"EXPERTO: Hola, pmuy bien. Estoy acá para ayudarte con preguntas respecto al software libre.\n",
"\n",
"HUMANO: ¿Qué es el software libre?\n",
"EXPERTO:\"\"\".strip()"
]
},
{
"cell_type": "markdown",
"id": "fc3a8ded",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"### Generando texto de manera \"Greedy\"\n",
"\n",
"- La estrategia para generar texto puede variar. La opción más directa es **greedy**, i.e. devolver la palabra que es más probable después de la secuencia.\n",
" - La principal ventaja de esta alternativa, es que es determinística, i.e. ante la misma entrada debería devolver la misma salida.\n",
" - La principal desventaja es que tiende a repetir y quedar limitada a ciertas frases o palabras."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "33e984d7",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"outputs": [],
"source": [
"MAX_TOKENS = 50\n",
"input_ids = tokenizer.encode(PROMPT, return_tensors='pt')\n",
"greedy_output = model.generate(input_ids, max_length=input_ids.shape[1] + MAX_TOKENS)\n",
"output = tokenizer.decode(greedy_output[0], skip_special_tokens=True)\n",
"\n",
"print(output)"
]
},
{
"cell_type": "markdown",
"id": "db1bc6cc",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"### Generando texto usando aleatoriedad\n",
"\n",
"- Si bien hay [varias estrategias para generar texto libre](https://github.com/huggingface/blog/blob/main/notebooks/02_how_to_generate.ipynb) una que resulta muy interesante es mediante el sampleo estadístico.\n",
"- La idea es que la manera de seleccionar la siguiente palabra es con cierta probabilidad estadística (i.e. no siempre la más probable).\n",
" - La principal ventaja es que hace el texto más \"creativo\" y más \"humano\".\n",
" - La principal desventaja es que no es determinístico y es suceptible de \"alucinar\".\n",
" - En este caso se samplea de las `top_k` palabras más probable que a su vez son la menor cantidad de palabras cuya probabilidad conjunta es mayor que `top_p`."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "bf547d6a",
"metadata": {
"slideshow": {
"slide_type": "fragment"
}
},
"outputs": [],
"source": [
"torch.manual_seed(42) # To ensure determinism\n",
"\n",
"sampling_output = model.generate(\n",
" input_ids,\n",
" do_sample=True,\n",
" max_length=input_ids.shape[1] + MAX_TOKENS,\n",
" top_k=50,\n",
" top_p=0.95,\n",
")\n",
"output = tokenizer.decode(sampling_output[0], skip_special_tokens=True)\n",
"\n",
"print(output)"
]
},
{
"cell_type": "markdown",
"id": "50d2c808",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"### Un Chatbot Sencillo\n",
"\n",
"- El modelo de lenguaje no tiene noción de cuando parar, porque está entrenado para continuar el mensaje dado en el **prompt**.\n",
" - Seguirá generando texto hasta alcanzar el valor del parámetro `max_length`.\n",
" - El texto generado inluirá las palabras que marcan la conversación (i.e. \"HUMANO\" y \"EXPERTO\").\n",
"- Para poder utilizar un modelo para hacer un **chatbot** requerimos de un poco de ingeniería de software clásica.\n",
" - Una opción es utilizar precisamente las palabras que definen la conversación como puntos de inicio y final, y descartar el resto.\n",
"- En [`chatbot.py`](./chatbot.py) hay un ejemplo sencillo de cómo puede realizarse esto.\n",
" - Consiste de una clase `ChatBot` que sirve como *wrapper* de los modelos de Hugging Face.\n",
" - Posee un CLI sencillo que mantiene un loop continuo para chatear."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "cff18d7f",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"outputs": [],
"source": [
"from chatbot import ChatBot\n",
"\n",
"PROMPT = \"\"\"\n",
"La siguiente es una conversación entre un HUMANO y un bot EXPERTO en software libre.\n",
"El EXPERTO le ayuda al HUMANO con preguntas acerca de software libre.\n",
"El EXPERTO es conversacional, optimista, flexible, creativo y genera respuestas parecidas a un humano.\n",
"\n",
"HUMANO: Hola, ¿Cómo estás?\n",
"EXPERTO: Hola, muy bien. Estoy acá para ayudarte con preguntas respecto al software libre.\n",
"\"\"\".strip()\n",
"\n",
"chatbot = ChatBot(\n",
" base_model=model,\n",
" tokenizer=tokenizer,\n",
" initial_prompt=PROMPT,\n",
" keep_context=True,\n",
" creative=True,\n",
" human_identifier='HUMAN',\n",
" bot_identifier='EXPERTO'\n",
")\n",
"\n",
"while True:\n",
" input_text = input('> ')\n",
" if input_text == 'exit' or input_text == 'quit':\n",
" break\n",
" print(chatbot.chat(input_text))"
]
}
],
"metadata": {
"celltoolbar": "Slideshow",
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.8"
},
"rise": {
"scroll": true
}
},
"nbformat": 4,
"nbformat_minor": 5
}
|