File size: 1,488 Bytes
b56fe2e
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
from datasets import load_dataset
from transformers import DistilBertTokenizer, DistilBertForQuestionAnswering, Trainer, TrainingArguments
import torch

# Cargar el dataset desde Hugging Face (si lo subiste)
dataset = load_dataset("abastecimiento-lab/dataset_reglamento_limpio")  # Cambia el nombre por el de tu dataset

# Cargar el tokenizador y modelo preentrenado de DistilBERT
tokenizer = DistilBertTokenizer.from_pretrained("distilbert-base-uncased")
model = DistilBertForQuestionAnswering.from_pretrained("distilbert-base-uncased")

def preprocess_function(examples):
    # Preprocesar el dataset para la tarea de QA
    return tokenizer(
        examples["contexto"],
        examples["pregunta"],
        truncation=True,
        padding=True,
        max_length=512,
        return_tensors="pt"
    )

# Aplicar el preprocesamiento al dataset
tokenized_datasets = dataset.map(preprocess_function, batched=True)

# Definir los parámetros de entrenamiento
training_args = TrainingArguments(
    output_dir='./results',
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets['train'],
    eval_dataset=tokenized_datasets['validation']
)

# Entrenar el modelo
trainer.train()

# Guardar el modelo entrenado
model.save_pretrained('./modelo_entrenado')
tokenizer.save_pretrained('./modelo_entrenado')