Create README.md

README.md

@@ -0,0 +1,73 @@
+---
+datasets:
+- tbboukhari/Alpaca_french_instruct
+language:
+- fr
+library_name: transformers
+tags:
+- Alpaca
+- Instruction-fine-tuning
+- NLP
+- Instruct Alpaca
+- PEFT
+- LoRA
+---
+
+## How to use🦙:
+```py
+import torch
+import bitsandbytes as bnb
+from peft import PeftModel, PeftConfig, prepare_model_for_int8_training, LoraConfig, get_peft_model
+from transformers import LlamaTokenizer, LlamaForCausalLM, GenerationConfig
+
+peft_model_id = "tbboukhari/Alpaca_instruction_fine_tune_French"
+config = PeftConfig.from_pretrained(peft_model_id)
+
+tokenizer = LlamaTokenizer.from_pretrained(config.base_model_name_or_path)
+model = LlamaForCausalLM.from_pretrained(config.base_model_name_or_path,
+                                          load_in_8bit=True,
+                                          device_map="auto",)
+# Load the Lora model
+model = PeftModel.from_pretrained(model, peft_model_id)
+
+# Based on the inference code by `tloen/alpaca-lora`
+def generate_prompt(instruction, entree=None):
+    if entree :
+        return f"""Vous trouverez ci-dessous des instructions décrivant une tâche, ainsi qu'une entrée qui fournit plus de contexte. Rédigez une réponse qui complète convenablement la demande.
+### instructions:
+{instruction}
+### entrée:
+{entree}
+### sortie:"""
+
+    else:
+        return f"""Vous trouverez ci-dessous des instructions décrivant une tâche, ainsi qu'une entrée qui fournit plus de contexte. Rédigez une réponse qui complète convenablement la demande.
+
+### instructions:
+{instruction}
+### sortie:"""
+
+# Inputs to instantiate the model:
+generation_config = GenerationConfig(
+    temperature=0.2,
+    top_p=0.75,
+    num_beams=4,
+)
+# Evaluate the model:
+def evaluate(instruction, input=None):
+    prompt = generate_prompt(instruction, input)
+    inputs = tokenizer(prompt, return_tensors="pt")
+    input_ids = inputs["input_ids"].cuda()
+    generation_output = model.generate(
+        input_ids=input_ids,
+        generation_config=generation_config,
+        return_dict_in_generate=True,
+        output_scores=True,
+        max_new_tokens=256
+    )
+    for s in generation_output.sequences:
+        output = tokenizer.decode(s)
+        print("sortie:", output.split("### sortie:")[1].strip())
+
+evaluate(input("instructions: "))
+```