agents-course/pr_545/ru-RU/bonus-unit1/fine-tuning.html

<meta charset="utf-8" /><meta name="hf:doc:metadata" content="{&quot;title&quot;:&quot;Давайте дообучим вашу модель для вызова функций&quot;,&quot;local&quot;:&quot;давайте-дообучим-вашу-модель-для-вызова-функций&quot;,&quot;sections&quot;:[{&quot;title&quot;:&quot;Как обучить нашу модель вызову функций?&quot;,&quot;local&quot;:&quot;как-обучить-нашу-модель-вызову-функций&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2},{&quot;title&quot;:&quot;LoRA (Low-Rank Adaptation of Large Language Models)&quot;,&quot;local&quot;:&quot;lora-low-rank-adaptation-of-large-language-models&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2},{&quot;title&quot;:&quot;Дообучение модели для вызова функций&quot;,&quot;local&quot;:&quot;дообучение-модели-для-вызова-функций&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2}],&quot;depth&quot;:1}">
		<link href="/docs/agents-course/pr_545/ru-RU/_app/immutable/assets/0.e3b0c442.css" rel="modulepreload">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/entry/start.592056c6.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/scheduler.f6b352c8.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/singletons.cff3ffe7.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/index.26cf6c5a.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/paths.1592cfdf.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/entry/app.8fd36cf7.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/index.7f38e934.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/nodes/0.9b025bee.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/each.e59479a4.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/nodes/3.8e4a0369.js">
		<link rel="modulepreload" href="/docs/agents-course/pr_545/ru-RU/_app/immutable/chunks/getInferenceSnippets.1ddaa658.js"><!-- HEAD_svelte-u9bgzb_START --><meta name="hf:doc:metadata" content="{&quot;title&quot;:&quot;Давайте дообучим вашу модель для вызова функций&quot;,&quot;local&quot;:&quot;давайте-дообучим-вашу-модель-для-вызова-функций&quot;,&quot;sections&quot;:[{&quot;title&quot;:&quot;Как обучить нашу модель вызову функций?&quot;,&quot;local&quot;:&quot;как-обучить-нашу-модель-вызову-функций&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2},{&quot;title&quot;:&quot;LoRA (Low-Rank Adaptation of Large Language Models)&quot;,&quot;local&quot;:&quot;lora-low-rank-adaptation-of-large-language-models&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2},{&quot;title&quot;:&quot;Дообучение модели для вызова функций&quot;,&quot;local&quot;:&quot;дообучение-модели-для-вызова-функций&quot;,&quot;sections&quot;:[],&quot;depth&quot;:2}],&quot;depth&quot;:1}"><!-- HEAD_svelte-u9bgzb_END -->      <p></p>  <h1 class="relative group"><a id="давайте-дообучим-вашу-модель-для-вызова-функций" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#давайте-дообучим-вашу-модель-для-вызова-функций"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> <span>Давайте дообучим вашу модель для вызова функций</span></h1> <p data-svelte-h="svelte-1ngbex2">Теперь мы готовы к дообучению нашей первой модели для вызова функций 🔥.</p>  <h2 class="relative group"><a id="как-обучить-нашу-модель-вызову-функций" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#как-обучить-нашу-модель-вызову-функций"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> <span>Как обучить нашу модель вызову функций?</span></h2> <blockquote data-svelte-h="svelte-gdgzr2"><p>Ответ: Нам нужны <strong>данные</strong>.</p></blockquote> <p data-svelte-h="svelte-l6gul">Обучение модели можно разделить на 3 шага:</p> <ol data-svelte-h="svelte-y4vjka"><li><p><strong>Модель предварительно обучается на большом количестве данных</strong>. Результатом этого шага является <strong>предварительно обученная модель</strong>. Например, <a href="https://huggingface.co/google/gemma-2-2b" rel="nofollow">google/gemma-2-2b</a>. Это базовая модель, которая умеет только <strong>предсказывать следующий токен, не имеющая хороших способностей к следованию инструкциям</strong>.</p></li> <li><p>Затем, чтобы модель была полезна в контексте чата, ее необходимо <strong>дообучить</strong> следовать инструкциям. На этом этапе она может быть обучена создателями модели, сообществом разработчиков, вами или всеми желающими. Например, <a href="https://huggingface.co/google/gemma-2-2b-it" rel="nofollow">google/gemma-2-2b-it</a> это инструктивно дообученная модель от Google Tea, созданная в рамках проекта Gemma.</p></li> <li><p>Затем модель может быть <strong>выровнена (aligned)</strong> в соответствии с предпочтениями создателя. Например, модель чата службы поддержки, которая никогда не должна быть невежливой с клиентами.</p></li></ol> <p data-svelte-h="svelte-lf3sz9">Обычно полноценный продукт вроде Gemini или Mistral <strong>проходит все 3 этапа</strong>, в то время как модели, которые вы можете найти на Hugging Face, прошли один или несколько этапов этого обучения.</p> <p data-svelte-h="svelte-ae050s">В этом руководстве мы создадим модель вызова функций на основе <a href="https://huggingface.co/google/gemma-2-2b-it" rel="nofollow">google/gemma-2-2b-it</a>. Мы выбрали дообученую модель <a href="https://huggingface.co/google/gemma-2-2b-it" rel="nofollow">google/gemma-2-2b-it</a> вместо базовой модели <a href="https://huggingface.co/google/gemma-2-2b" rel="nofollow">google/gemma-2-2b</a>, потому что дообученная модель лучше подходит для нашего случая использования.</p> <p data-svelte-h="svelte-1sypvg9">Если начать с предварительно обученной модели, <strong>потребуется больше тренировок, чтобы научить модель следовать инструкциям, общаться в чате И вызывать функции</strong>.</p> <p data-svelte-h="svelte-19sws3s">Начиная с инструктивно дообученной модели, <strong>мы минимизируем количество информации, которое необходимо изучить нашей модели</strong>.</p>  <h2 class="relative group"><a id="lora-low-rank-adaptation-of-large-language-models" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#lora-low-rank-adaptation-of-large-language-models"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> <span>LoRA (Low-Rank Adaptation of Large Language Models)</span></h2> <p data-svelte-h="svelte-1qk7dst">LoRA (Low-Rank Adaptation of Large Language Models, Низкоранговая Адаптация Больших Языковых Моделей) это популярная и легковесная техника обучения, которая значительно <strong>сокращает количество обучаемых параметров</strong>.</p> <p data-svelte-h="svelte-1vy2ur2">Она работает путем <strong>вставки меньшего количества новых весов в качестве адаптера в модель для обучения</strong>. Это делает обучение с LoRA намного быстрее, экономит память и создает меньшие веса модели (несколько сотен мегабайт), которые легче хранить и распространять.</p> <img src="https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/unit1/blog_multi-lora-serving_LoRA.gif" alt="Инференс LoRA" width="50%"> <p data-svelte-h="svelte-sjg43f">LoRA работает путем добавления пар матриц рангового разложения в слои трансформеров, обычно сосредоточенных на линейных слоях. Во время обучения мы “замораживаем” остальную часть модели и обновляем веса только недавно добавленных адаптеров.</p> <p data-svelte-h="svelte-1b793u8">Таким образом, количество параметров, которые нам нужно обучить, значительно уменьшается, поскольку нам нужно обновлять только веса адаптеров.</p> <p data-svelte-h="svelte-lflmga">Во время инференса входные данные передаются в адаптер и базовую модель или эти веса адаптера могут быть объединены с базовой моделью, что не приводит к дополнительным затратам времени.</p> <p data-svelte-h="svelte-1efk2nj">LoRA особенно полезна для адаптации <strong>больших</strong> языковых моделей к конкретным задачам или доменам при сохранении управляемых требований к ресурсам. Это помогает сократить объем памяти, требуемый для обучения модели.</p> <p data-svelte-h="svelte-7y3alk">Если вы хотите узнать больше о том, как работает LoRA, ознакомьтесь с этим <a href="https://huggingface.co/learn/nlp-course/chapter11/4?fw=pt" rel="nofollow">руководством</a>.</p>  <h2 class="relative group"><a id="дообучение-модели-для-вызова-функций" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#дообучение-модели-для-вызова-функций"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> <span>Дообучение модели для вызова функций</span></h2> <p data-svelte-h="svelte-uja3h1">Вы можете получить доступ к учебному блокноту 👉 <a href="https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit1/bonus-unit1.ipynb" rel="nofollow">здесь</a>.</p> <p data-svelte-h="svelte-1rlv5ya">Затем нажмите на Open In Colab, чтобы запустить его в Colab Notebook.</p> <a class="!text-gray-400 !no-underline text-sm flex items-center not-prose mt-4" href="https://github.com/huggingface/agents-course/blob/main/units/ru-RU/bonus-unit1/fine-tuning.mdx" target="_blank"><span data-svelte-h="svelte-1kd6by1">&lt;</span> <span data-svelte-h="svelte-x0xyl0">&gt;</span> <span data-svelte-h="svelte-1dajgef"><span class="underline ml-1.5">Update</span> on GitHub</span></a>  <p></p> 
			
			<script>
				{
					__sveltekit_1a0dws4 = {
						assets: "/docs/agents-course/pr_545/ru-RU",
						base: "/docs/agents-course/pr_545/ru-RU",
						env: {}
					};

					const element = document.currentScript.parentElement;

					const data = [null,null];

					Promise.all([
						import("/docs/agents-course/pr_545/ru-RU/_app/immutable/entry/start.592056c6.js"),
						import("/docs/agents-course/pr_545/ru-RU/_app/immutable/entry/app.8fd36cf7.js")
					]).then(([kit, app]) => {
						kit.start(app, element, {
							node_ids: [0, 3],
							data,
							form: null,
							error: null
						});
					});
				}
			</script>