Model Card for Model ID

<!-- Provide a quick summary of what the model is/does. -->

在llama-2-13b上使用huangyt/FINETUNE3資料集進行訓練，總資料筆數約3w

Fine-Tuning Information

• GPU: RTX4090 (single core / 24564MiB)
• model: meta-llama/Llama-2-13b-hf
• dataset: huangyt/FINETUNE3 (共約3.3w筆訓練集)
• peft_type: LoRA
• lora_rank: 16
• lora_target: gate_proj, up_proj, down_proj
• per_device_train_batch_size: 8
• gradient_accumulation_steps: 8
• learning_rate : 4e-4
• epoch: 1
• precision: bf16
• quantization: load_in_4bit

Fine-Tuning Detail

• train_loss: 0.579
• train_runtime: 4:6:11 (use deepspeed)

Evaluation

• 評估結果來自HuggingFaceH4/open_llm_leaderboard
• 與Llama-2-13b比較4種Benchmark，包含ARC、HellaSwag、MMLU、TruthfulQA
• P.S: 此分數暫時是使用本地所測的分數，後續會再改成HuggingFaceH4/open_llm_leaderboard提供的分數

How to convert dataset to json

• 在load_dataset中輸入資料集名稱，並且在take中輸入要取前幾筆資料
• 觀察該資料集的欄位名稱，填入example欄位中(例如system_prompt、question、response)
• 最後指定json檔儲存位置 (json_filename)

import json
from datasets import load_dataset

# 讀取數據集，take可以取得該數據集前n筆資料
dataset = load_dataset("huangyt/FINETUNE3", split="train", streaming=True)

# 提取所需欄位並建立新的字典列表
extracted_data = []
for example in dataset:
    extracted_example = {
        "instruction": example["instruction"],
        "input": example["input"],
        "output": example["output"]
    }
    extracted_data.append(extracted_example)

# 指定 JSON 文件名稱
json_filename = "FINETUNE3.json"

# 寫入 JSON 文件
with open(json_filename, "w") as json_file:
    json.dump(extracted_data, json_file, indent=4)

print(f"數據已提取並保存為 {json_filename}")