ably.do/herbert.py

import os
os.environ["TOKENIZERS_PARALLELISM"] = "false"

import torch
import faiss
import numpy as np
from sentence_transformers import SentenceTransformer
from datasets import Dataset
from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer, DataCollatorForLanguageModeling

# 1️⃣ Inicjalizacja modelu do embeddingów
embed_model = SentenceTransformer("all-MiniLM-L6-v2")

# 2️⃣ Dodanie dokumentów i embeddingów
def read_documents_from_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as file:
        content = file.read()
        articles = content.split('\n\n')
        documents = []
        for article in articles:
            if article.strip().startswith('Art.'):
                documents.append(article.strip())
    return documents
#documents = [
#    "Jak założyć firmę w Polsce?", 
#    "Jak rozliczyć podatek VAT?", 
#    "Procedura składania reklamacji w e-sklepie.",
#    "Jakie dokumenty są potrzebne do rejestracji działalności?"
#]
file_path = './docs/kodekspracy.txt'  # Zmień na właściwą ścieżkę
documents = read_documents_from_file(file_path)
embeddings = embed_model.encode(documents)

# 3️⃣ Inicjalizacja FAISS i dodanie wektorów
dim = embeddings.shape[1]
index = faiss.IndexFlatL2(dim)
index.add(np.array(embeddings, dtype=np.float32))

# 4️⃣ Przygotowanie danych treningowych
def create_training_data():
    data = {
        "text": documents,
        "embedding": embeddings.tolist()
    }
    return Dataset.from_dict(data)

dataset = create_training_data()

# Podział danych na treningowe i ewaluacyjne
split_dataset = dataset.train_test_split(test_size=0.25)
train_dataset = split_dataset["train"]
eval_dataset = split_dataset["test"]

# 5️⃣ Ładowanie modelu Gemma 2B
device = "cuda" if torch.cuda.is_available() else "cpu"
model_name = "Lajonbot/vicuna-7b-v1.5-PL-lora_unload"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16).to(device)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 6️⃣ Konfiguracja LoRA
lora_config = LoraConfig(
    r=8, lora_alpha=32, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora_config)

# 7️⃣ Tokenizacja danych
max_length = 384

def tokenize_function(examples):
    return tokenizer(
        examples["text"],
        padding="max_length",
        truncation=True,
        max_length=max_length
    )

tokenized_train = train_dataset.map(tokenize_function, batched=True)
tokenized_eval = eval_dataset.map(tokenize_function, batched=True)

# 8️⃣ Parametry treningu
training_args = TrainingArguments(
    output_dir="./results",
    eval_strategy="steps",          # Ewaluacja co określoną liczbę kroków
    eval_steps=500,                 # Ewaluacja co 500 kroków
    save_strategy="steps",          # Zapis modelu co określoną liczbę kroków
    save_steps=500,                 # Zapis modelu co 500 kroków
    learning_rate=1e-5,
    per_device_train_batch_size=2,
    per_device_eval_batch_size=2,
    num_train_epochs=16,
    weight_decay=0.01,
    load_best_model_at_end=True,    # Wczytaj najlepszy model na końcu
    metric_for_best_model="loss",   # Kryterium wyboru najlepszego modelu
    greater_is_better=False,        # Niższy loss = lepszy model
)

# 9️⃣ Data Collator
data_collator = DataCollatorForLanguageModeling(
    tokenizer=tokenizer,
    mlm=False
)

# 🔟 Trening modelu
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_train,
    eval_dataset=tokenized_eval,    # Dodany zestaw ewaluacyjny
    data_collator=data_collator,
)

trainer.train()

# 1️⃣1️⃣ Zapis modelu
model.save_pretrained("./models/herbert")
tokenizer.save_pretrained("./models/herbert")

print("✅ Model został wytrenowany i zapisany!")