File size: 5,039 Bytes
4b5d9a0 1e261ae 4b5d9a0 |
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 |
---
license: other
library_name: peft
tags:
- llama-factory
- lora
- generated_from_trainer
base_model: alpindale/Mistral-7B-v0.2-hf
model-index:
- name: train_2024-05-16-11-01-44
results: []
---
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->
# Install
```bash
pip install peft transformers bitsandbytes
```
# Run by transformers
```python
from transformers import TextStreamer, AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel
tokenizer = AutoTokenizer.from_pretrained("alpindale/Mistral-7B-v0.2-hf",)
mis_model = AutoModelForCausalLM.from_pretrained("alpindale/Mistral-7B-v0.2-hf", load_in_4bit = True)
mis_model = PeftModel.from_pretrained(mis_model, "svjack/DPO_ZH_RJ_EN_ORPO_Mistral7B_v2_lora_small")
mis_model = mis_model.eval()
streamer = TextStreamer(tokenizer)
def mistral_hf_predict(prompt, mis_model = mis_model,
tokenizer = tokenizer, streamer = streamer,
do_sample = True,
top_p = 0.95,
top_k = 40,
max_new_tokens = 512,
max_input_length = 3500,
temperature = 0.9,
repetition_penalty = 1.0,
device = "cuda"):
messages = [
{"role": "user", "content": prompt[:max_input_length]}
]
encodeds = tokenizer.apply_chat_template(messages, return_tensors="pt")
model_inputs = encodeds.to(device)
generated_ids = mis_model.generate(model_inputs, max_new_tokens=max_new_tokens,
do_sample=do_sample,
streamer = streamer,
top_p = top_p,
top_k = top_k,
temperature = temperature,
repetition_penalty = repetition_penalty,
)
out = tokenizer.batch_decode(generated_ids)[0].split("[/INST]")[-1].replace("</s>", "").strip()
return out
out = mistral_hf_predict("如何对语料进行有效的翻译？",
repetition_penalty = 1.1,
temperature = 0.01,
max_new_tokens=1024
)
print(out)
```
# Output
```txt
当然，我很乐意帮助您了解如何有效地将语料翻译成英语。以下是一些关于这个主题的建议：
1. 选择适合您目标受众和需求的翻译服务。有许多可用的翻译服务，包括机器翻译、人工翻译和混合翻译。根据您的预算、时间限制和质量要求来决定最适合您的选项。
2. 准备好您的语料。确保您的文本清晰、简洁并且符合您的目标受众。这样做可以使翻译过程更加容易，并提高质量。
3. 选择一个专业的翻译服务。确保您选择一个具有良好声誉和经验的翻译服务。查看他们的客户评论、证书和凭证，以确保他们能够为您提供高质量的翻译。
4. 提供详细的指导方针。向翻译服务提供关于您的目标受众、风格和任何特殊要求的信息。这可以帮助翻译服务更好地理解您的需求，并提供更准确和相应的翻译。
5. 审查翻译。请随时审查翻译，并与翻译服务沟通以确保它满足您的需求。这可以帮助您确保翻译准确、清楚并符合您的目标受众。
6. 考虑修改。在审查翻译后，考虑修改以符合您的风格和需求。这可以帮助您创造一个独特的内容，同时保持其准确性。
7. 测试翻译。在发布之前，测试您的翻译，以确保它在不同设备上都显示得正确。这可以帮助您避免任何错误或问题。
8. 记录翻译。记录您的翻译，以便您可以在未来重新使用。这可以节省时间和金钱，并确保您的内容始终是准确的。
9. 跟踪翻译的进展。跟踪您的翻译的进展，以确保它按计划完成。这可以帮助您避免任何延迟或问题。
10. 评估翻译的质量。评估您的翻译的质量，以确保它符合您的需求。这可以帮助您确保您的内容准确、清楚并符合您的目标受众。
```
# train_2024-05-16-11-01-44
This model is a fine-tuned version of [alpindale/Mistral-7B-v0.2-hf](https://huggingface.co/alpindale/Mistral-7B-v0.2-hf) on the dpo_zh_reject_en dataset.
## Model description
More information needed
## Intended uses & limitations
More information needed
## Training and evaluation data
More information needed
## Training procedure
### Training hyperparameters
The following hyperparameters were used during training:
- learning_rate: 5e-05
- train_batch_size: 2
- eval_batch_size: 8
- seed: 42
- gradient_accumulation_steps: 8
- total_train_batch_size: 16
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: cosine
- num_epochs: 3.0
- mixed_precision_training: Native AMP
### Training results
### Framework versions
- PEFT 0.10.0
- Transformers 4.40.2
- Pytorch 2.3.0+cu121
- Datasets 2.19.1
- Tokenizers 0.19.1 |