svjack/Mistral7B_v2_inst_sharegpt_common_lora_small

Install

pip install peft transformers bitsandbytes

Run by transformers

from transformers import TextStreamer, AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2",)
mis_model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2", load_in_4bit = True)
mis_model = PeftModel.from_pretrained(mis_model, "svjack/Mistral7B_v2_inst_sharegpt_common_lora_small")
mis_model = mis_model.eval()

streamer = TextStreamer(tokenizer)

def mistral_hf_predict(messages, mis_model = mis_model,
    tokenizer = tokenizer, streamer = streamer,
    do_sample = True,
    top_p = 0.95,
    top_k = 40,
    max_new_tokens = 512,
    max_input_length = 3500,
    temperature = 0.9,
    repetition_penalty = 1.0,
    device = "cuda"):

    encodeds = tokenizer.apply_chat_template(messages, return_tensors="pt")
    model_inputs = encodeds.to(device)

    generated_ids = mis_model.generate(model_inputs, max_new_tokens=max_new_tokens,
                                do_sample=do_sample,
                                  streamer = streamer,
                                  top_p = top_p,
                                  top_k = top_k,
                                  temperature = temperature,
                                  repetition_penalty = repetition_penalty,
                                  )
    out = tokenizer.batch_decode(generated_ids)[0].split("[/INST]")[-1].replace("</s>", "").strip()
    return out

out = mistral_hf_predict([
            {
                "role": "user",
                "content": "写一份简单的Python排序程序。"
            }
        ],
        repetition_penalty = 1.1,
        temperature = 0.01,
        max_new_tokens=1024
)
print(out)

Output

当然，这是一个简单的Python排序程序：

def sort_list(lst):
    """
    将列表按升序排序
    :param lst: 要排序的列表
    :return: 排序后的列表
    """
    return sorted(lst)
#示例使用
numbers = [5, 2, 9, 1, 5, 6]
print(sort_list(numbers))

该程序定义了一个名为sort_list的函数，它接受一个列表作为参数并返回排序后的列表。该函数使用内置的sorted()函数来对列表进行排序，默认情况下按升序排序。

out = mistral_hf_predict([
            {
                "role": "user",
                "content": "写一份简单的Python排序程序。"
            },
            {   "role": "assistant",
                "content": '''
                当然，这是一个简单的Python排序程序：
                ```python
                def sort_list(lst):
                    """
                    将列表按升序排序
                    :param lst: 要排序的列表
                    :return: 排序后的列表
                    """
                    return sorted(lst)
                #示例使用
                numbers = [5, 2, 9, 1, 5, 6]
                print(sort_list(numbers))
                ```
                该程序定义了一个名为`sort_list`的函数，它接受一个列表作为参数并返回排序后的列表。该函数使用内置的`sorted()`函数来对列表进行排序，默认情况下按升序排序。
                '''
            },
            {
                "role": "user",
                "content": "将上面的语言翻译成C++。"
            }
        ],
        repetition_penalty = 1.1,
        temperature = 0.01,
        max_new_tokens=1024
)
print(out)

Output

当然，这是一个相同功能的C++版本：

#include <algorithm>
#include <vector>
using namespace std;
void sortList(vector<int>& nums) {
    //使用标准库中的sort函数对列表进行排序
    sort(nums.begin(), nums.end());
}
//示例使用
int main() {
    vector<int> numbers = {5, 2, 9, 1, 5, 6};
    sortList(numbers);
    for (int i : numbers) {
        cout << i << " ";
    }
    cout << endl;
    return 0;
}

该程序定义了一个名为sortList的函数，它接受一个整型向量（std::vector<int>）作为参数并对其进行排序。该函数使用标准库中的std::sort函数对向量进行排序。 请注意，C++不支持Python中的元组类型，因此我们在C++中使用了std::vector而不是Python中的元组。此外，C++中的std::cout与Python中的print函数类似，可以用于输出到控制台。

train_2024-05-17-13-21-02

This model is a fine-tuned version of mistralai/Mistral-7B-Instruct-v0.2 on the sharegpt_common_zh dataset.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 5e-05
• train_batch_size: 1
• eval_batch_size: 8
• seed: 42
• gradient_accumulation_steps: 8
• total_train_batch_size: 8
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: cosine
• num_epochs: 3.0
• mixed_precision_training: Native AMP

Training results

Framework versions

• PEFT 0.11.0
• Transformers 4.40.2
• Pytorch 2.3.0+cu121
• Datasets 2.19.1
• Tokenizers 0.19.1