mod gemma

gemma.py

@@ -36,13 +36,18 @@ def create_training_data():
 
 dataset = create_training_data()
 
-# 5️⃣ Ładowanie modelu Gemma 2 7B
+# 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 = "google/gemma-2-2b"
 model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16).to(device)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 
-# 6️⃣ Konfiguracja LoRA dla efektywnego treningu
+# 6️⃣ Konfiguracja LoRA
 lora_config = LoraConfig(
     r=8, lora_alpha=32, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM"
 )
@@ -59,23 +64,24 @@ def tokenize_function(examples):
         max_length=max_length
     )
 
-tokenized_dataset = dataset.map(tokenize_function, batched=True)
+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",
-    evaluation_strategy="steps",  # Zmienione na "steps"
+    eval_strategy="steps",          # Ewaluacja co określoną liczbę kroków
-    eval_steps=500,  # Dodane
+    eval_steps=500,                 # Ewaluacja co 500 kroków
-    save_strategy="steps",  # Zmienione na "steps"
+    save_strategy="steps",          # Zapis modelu co określoną liczbę kroków
-    save_steps=500,  # Dodane, musi być takie samo jak eval_steps lub jego wielokrotność
+    save_steps=500,                 # Zapis modelu co 500 kroków
     learning_rate=2e-5,
     per_device_train_batch_size=2,
     per_device_eval_batch_size=2,
     num_train_epochs=5,
     weight_decay=0.01,
-    load_best_model_at_end=True,
+    load_best_model_at_end=True,    # Wczytaj najlepszy model na końcu
-    metric_for_best_model="loss",  # lub inna metryka, którą chcesz optymalizować
+    metric_for_best_model="loss",   # Kryterium wyboru najlepszego modelu
-    greater_is_better=False,  # Ustaw na True, jeśli wyższa wartość metryki jest lepsza
+    greater_is_better=False,        # Niższy loss = lepszy model
 )
 
 # 9️⃣ Data Collator
@@ -88,13 +94,14 @@ data_collator = DataCollatorForLanguageModeling(
 trainer = Trainer(
     model=model,
     args=training_args,
-    train_dataset=tokenized_dataset,
+    train_dataset=tokenized_train,
+    eval_dataset=tokenized_eval,    # Dodany zestaw ewaluacyjny
     data_collator=data_collator,
 )
 
 trainer.train()
 
-# 1️⃣1️⃣ Zapisanie dostrojonego modelu
+# 1️⃣1️⃣ Zapis modelu
 model.save_pretrained("./trained_model/gemma")
 tokenizer.save_pretrained("./trained_model/gemma")