mod gemma

gemma.py

@@ -1,10 +1,13 @@
+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
+from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer, DataCollatorForLanguageModeling
 
 # 1️⃣ Inicjalizacja modelu do embeddingów
 embed_model = SentenceTransformer("all-MiniLM-L6-v2")
@@ -19,13 +22,12 @@ documents = [
 embeddings = embed_model.encode(documents)
 
 # 3️⃣ Inicjalizacja FAISS i dodanie wektorów
-dim = embeddings.shape[1]  # Wymiary wektorów
-index = faiss.IndexFlatL2(dim)  # Tworzymy indeks FAISS dla metryki L2
-index.add(np.array(embeddings, dtype=np.float32))  # Dodajemy wektory do indeksu FAISS
+dim = embeddings.shape[1]
+index = faiss.IndexFlatL2(dim)
+index.add(np.array(embeddings, dtype=np.float32))
 
 # 4️⃣ Przygotowanie danych treningowych
 def create_training_data():
-    # Pobranie dokumentów (możesz połączyć je z odpowiednimi embeddingami, jeśli trzeba)
     data = {
         "text": documents,
         "embedding": embeddings.tolist()
@@ -47,8 +49,15 @@ lora_config = LoraConfig(
 model = get_peft_model(model, lora_config)
 
 # 7️⃣ Tokenizacja danych
+max_length = 128
+
 def tokenize_function(examples):
-    return tokenizer(examples["text"], padding="max_length", truncation=True)
+    return tokenizer(
+        examples["text"],
+        padding="max_length",
+        truncation=True,
+        max_length=max_length
+    )
 
 tokenized_dataset = dataset.map(tokenize_function, batched=True)
 
@@ -56,22 +65,36 @@ tokenized_dataset = dataset.map(tokenize_function, batched=True)
 training_args = TrainingArguments(
     output_dir="./results",
     per_device_train_batch_size=2,
-    num_train_epochs=3,
+    gradient_accumulation_steps=4,  # Symuluje większy batch size
+    num_train_epochs=5,
     logging_dir="./logs",
-    save_strategy="epoch"
+    save_strategy="epoch",
+    learning_rate=2e-5,
+    warmup_steps=100,
+    fp16=True,  # Używa mixed precision training
+    evaluation_strategy="steps",
+    eval_steps=500,
+    load_best_model_at_end=True,
 )
 
-# 9️⃣ Trening modelu
+# 9️⃣ Data Collator
+data_collator = DataCollatorForLanguageModeling(
+    tokenizer=tokenizer,
+    mlm=False
+)
+
+# 🔟 Trening modelu
 trainer = Trainer(
     model=model,
     args=training_args,
     train_dataset=tokenized_dataset,
+    data_collator=data_collator,
 )
 
 trainer.train()
 
-# 🔟 Zapisanie dostrojonego modelu
+# 1️⃣1️⃣ Zapisanie dostrojonego modelu
 model.save_pretrained("./trained_model/gemma")
 tokenizer.save_pretrained("./trained_model/gemma")
 
-print("✅ Model został wytrenowany i zapisany!")
+print("✅ Model został wytrenowany i zapisany!")