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')
|