File size: 5,034 Bytes
7da6612
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
import pandas as pd
import torch
from transformers import (
    AutoModelForCausalLM, 
    AutoTokenizer,
    TrainingArguments,
    Trainer,
    DataCollatorForLanguageModeling
)
from datasets import Dataset
import json
from pathlib import Path

class BankingModelTrainer:
    def __init__(

        self,

        base_model_name="meta-llama/Llama-2-13b-chat-hf",

        output_dir="./fine_tuned_model",

        max_length=512

    ):
        self.base_model_name = base_model_name
        self.output_dir = Path(output_dir)
        self.max_length = max_length
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        
        # تنظیمات مدل Llama-2
        model_config = {
            "device_map": "auto",
            "torch_dtype": torch.bfloat16,
            "low_cpu_mem_usage": True,
            "max_memory": {0: "10GB"},
            "load_in_8bit": True
        }

        # تنظیمات اولیه مدل و توکنایزر
        self.tokenizer = AutoTokenizer.from_pretrained(base_model_name)
        self.model = AutoModelForCausalLM.from_pretrained(
            base_model_name,
            **model_config
        )
        
    def prepare_data(self, data_path):
        # خواندن دیتا از فایل
        if data_path.endswith('.csv'):
            df = pd.read_csv(data_path)
        elif data_path.endswith('.json'):
            with open(data_path, 'r', encoding='utf-8') as f:
                data = json.load(f)
                df = pd.DataFrame(data)
        else:
            raise ValueError("فرمت فایل باید CSV یا JSON باشد")
        
        # پردازش و آماده‌سازی دیتا
        def prepare_examples(examples):
            conversations = []
            for q, a in zip(examples['question'], examples['answer']):
                # فرمت Llama-2 برای مکالمه
                conv = f"[INST] {q} [/INST] {a}"
                conversations.append(conv)
            
            # توکنایز کردن با تنظیمات Llama-2
            encodings = self.tokenizer(
                conversations,
                truncation=True,
                padding=True,
                max_length=self.max_length,
                return_tensors="pt"
            )
            
            return encodings
        
        dataset = Dataset.from_pandas(df)
        tokenized_dataset = dataset.map(
            prepare_examples,
            batched=True,
            remove_columns=dataset.column_names
        )
        
        return tokenized_dataset
    
    def train(self, dataset, epochs=3, batch_size=4):
        training_args = TrainingArguments(
            output_dir=str(self.output_dir),
            num_train_epochs=epochs,
            per_device_train_batch_size=batch_size,
            gradient_accumulation_steps=4,
            save_steps=500,
            logging_steps=100,
            learning_rate=2e-5,  # کاهش نرخ یادگیری برای Llama-2
            warmup_steps=100,
            fp16=True,  # فعال کردن fp16 برای Llama-2
            save_total_limit=2,
            logging_dir=str(self.output_dir / "logs"),
            gradient_checkpointing=True  # فعال کردن gradient checkpointing
        )
        
        data_collator = DataCollatorForLanguageModeling(
            tokenizer=self.tokenizer,
            mlm=False
        )
        
        trainer = Trainer(
            model=self.model,
            args=training_args,
            train_dataset=dataset,
            data_collator=data_collator
        )
        
        trainer.train()
        
        self.model.save_pretrained(self.output_dir)
        self.tokenizer.save_pretrained(self.output_dir)
        
    def generate_response(self, prompt):
        # فرمت Llama-2 برای پرامپت
        formatted_prompt = f"[INST] {prompt} [/INST]"
        inputs = self.tokenizer.encode(
            formatted_prompt, 
            return_tensors="pt"
        ).to(self.device)
        
        outputs = self.model.generate(
            inputs,
            max_length=self.max_length,
            num_return_sequences=1,
            temperature=0.7,
            top_p=0.9,
            do_sample=True,
            pad_token_id=self.tokenizer.eos_token_id,
            repetition_penalty=1.2  # اضافه کردن جریمه تکرار
        )
        
        response = self.tokenizer.decode(
            outputs[0], 
            skip_special_tokens=True
        )
        # حذف پرامپت از پاسخ
        response = response.replace(formatted_prompt, "").strip()
        return response

if __name__ == "__main__":
    trainer = BankingModelTrainer()
    dataset = trainer.prepare_data("banking_qa.json")
    trainer.train(dataset)
    response = trainer.generate_response("شرایط وام مسکن چیست؟")
    print(response)