mod gpt

gpt.py

@@ -44,7 +44,6 @@ def prepare_dataset_from_file(file_path):
     
     return formatted_articles
 
-
 def main():
     # Inicjalizacja tokenizera
     tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
@@ -61,17 +60,17 @@ def main():
             examples["text"],
             truncation=True,
             padding="max_length",
-            max_length=256,  # Zwiększono dla dłuższych artykułów
+            max_length=2048,  # Zwiększono dla dłuższych artykułów
             return_tensors="pt"
         )
         tokenized["labels"] = tokenized["input_ids"].clone()
         return tokenized
 
-    tokenized_dataset = dataset.map(tokenize_function, batched=True)
+    tokenized_dataset = dataset.map(tokenize_function, batched=True, remove_columns=dataset.column_names)
 
     # Model i data collator
     model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
-    model.resize_token_embeddings(len(tokenizer), mean_resizing=False)
+    model.resize_token_embeddings(len(tokenizer))
     
     data_collator = DataCollatorForLanguageModeling(
         tokenizer=tokenizer,
@@ -81,12 +80,17 @@ def main():
     # Konfiguracja treningu
     training_args = TrainingArguments(
         output_dir="./results",
-        num_train_epochs=8,  # Zwiększono liczbę epok
-        per_device_train_batch_size=2,
-        learning_rate=5e-5,
+        num_train_epochs=15,  # Zwiększono liczbę epok
+        per_device_train_batch_size=4,  # Zwiększono rozmiar batcha
+        learning_rate=2e-5,  # Zmniejszono learning rate
+        weight_decay=0.01,  # Dodano weight decay
         logging_steps=10,
+        save_steps=500,  # Dodano zapisywanie modelu co 500 kroków
+        eval_steps=500,  # Dodano ewaluację co 500 kroków
+        evaluation_strategy="steps",
+        load_best_model_at_end=True,  # Ładowanie najlepszego modelu na końcu
         report_to="none",
-        save_strategy="no"
+        save_total_limit=2,  # Ograniczenie liczby zapisywanych checkpointów
     )
 
     # Trainer
@@ -94,6 +98,7 @@ def main():
         model=model,
         args=training_args,
         train_dataset=tokenized_dataset,
+        eval_dataset=tokenized_dataset,  # Używamy tego samego zbioru do ewaluacji
         data_collator=data_collator
     )
 

test.py

@@ -17,6 +17,6 @@ def generate_response(prompt, max_length=1000):
     response = tokenizer.decode(outputs[0], skip_special_tokens=True)
     return response
 
-prompt = "Zacytuj art. 154 kodeksu pracy"
+prompt = "Jak brzmi art. 154 kodeksu pracy"
 response = generate_response(prompt)
 print(response)