teddy-f-47/phi-pl-400M-v_0_1

phi-1_5-pl-v_0_1

This model is based on microsoft/phi-1_5. It was trained from scratch on the 20231201 Polish Wikipedia dump.

Model description

The model was trained for a context length of 1024 tokens. In addition, while the original model has a hidden size of 2048 (1.3B parameters), this model has a hidden size of 1024 (450.3M parameters).

The model used for training was as follows:

model_config = AutoConfig.from_pretrained(
    'microsoft/phi-1_5', vocab_size=len(trained_tokenizer), max_position_embeddings=1024,
    hidden_size=1024, attn_implementation="flash_attention_2", trust_remote_code=True
)
model = AutoModelForCausalLM.from_config(model_config, trust_remote_code=True)

Intended uses & limitations

The model is intended for research purposes only. It may generate fictitious, incorrect, unethical, or biased texts. At its current state, it is not suitable for production purposes.

Example:

tokenizer = AutoTokenizer.from_pretrained(
    model_name, trust_remote_code=True, use_fast=True
)
# to use flash_attention_2, may need to load the original microsoft phi-1.5 and load weights from this model
model = AutoModelForCausalLM.from_pretrained(
    model_name, vocab_size=len(tokenizer), # attn_implementation="flash_attention_2",
    trust_remote_code=True, torch_dtype=torch.bfloat16
).to(torch.device('cuda'))
model.eval()

generation_config = GenerationConfig.from_pretrained(
    model_name, do_sample=False, repetition_penalty=1.5,
    min_new_tokens=1, max_new_tokens=128
)

test_input = tokenizer("Wrocław to polski miasto. Wrocław jest ", return_tensors='pt').to(torch.device('cuda'))
test_output = model.generate(**test_input, generation_config=generation_config)
test_preds = tokenizer.batch_decode(sequences=test_output, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(test_preds)

Output:

['Wrocław to polski miasto. Wrocław jest  stolicą województwa dolnośląskiego, a także siedzibą władz powiatu wrocławskiego i gminy miejsko-wiejskiej Wrocław\n\nMiasto leży w południowo–zachodniej części Dolnego Śląska na Przedgórzu Sudeckim nad rzeką Odrą (odnoga Odry). Przez miasto przebiega droga krajowa nr 94 łącząca Berlin z Wrocławiem oraz linia kolejowa do Wrocławia Głównego przez Wrocław Główny – Kłodzko Główne/Szczecin Zachodni - Legnica. Miasto posiada połączenie kolejowe ze stacją kolejową Wrocław Gądów Mały lub Gądowem Małym poprzez węzeł kolejowy Wrocław Gądów Wielki. W mieście znajduje się stacja towarowa Wrocław Gądów Mały.\nW latach 1975−1998 miejscowość administracyjnie należała do woj. wałbrzyskiego. Od 1']

Training and evaluation data

The 20231201 Polish Wikipedia dump.

Training procedure

Training environment

• GPU: 4 x RTX4090 (24GB per GPU, 96GB total)
• CPU: AMD EPYC 75F3 32-core (128 virtual cores)
• RAM: 258GB
• Motherboard: ROME2D32GM PCLe 4.0, 16x
• Storage: nvme 194.0GB

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 0.0002
• distributed_type: multi-GPU (DDP)
• num_devices: 4
• train_batch_size: 2
• gradient_accumulation_steps: 8
• total_train_batch_size: 64
• optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-07
• lr_scheduler_type: cosine
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 2
• precision: bf16
• seed: 42

Training results

• runtime: 2d 21h 26m 36s
• train_loss: 2.727

Average results on the first 8,000 rows of the training data:

• rouge1: 0.25254847037792205
• rouge2: 0.16880333936214448
• rougeLsum: 0.24328783786296845
• cosine_similarity: 0.9603840799331665

Framework versions

• Transformers 4.36.2
• Pytorch 2.1.2
• Datasets 2.14.7
• Tokenizers 0.15.0