.gitignore

+# FILEPATH: /data/ytannier/llamandement/.gitignore
+
+# Python
+*.pyc
+__pycache__/
+venv/
+*.egg-info/
+dist/
+build/
+
+# Jupyter Notebook
+.ipynb_checkpoints/
+*.ipynb_checkpoints/
+
+# Log
+*.log

.gitmodules

+[submodule "FastChat"]
+	path = FastChat
+	url = https://github.com/lm-sys/FastChat.git

Dockerfile

+FROM nvidia/cuda:12.2.0-devel-ubuntu20.04
+ENV https_proxy=http://proxy.infra.dgfip:3128
+ENV http_proxy=http://proxy.infra.dgfip:3128
+ENV DEBIAN_FRONTEND noninteractive
+RUN apt-get update -y && apt-get install -y python3.9 python3.9-distutils curl python3.9-dev git
+RUN curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
+RUN python3.9 get-pip.py
+# Copiez le répertoire FastChat dans le conteneur Docker
+COPY ./FastChat /FastChat
+# Allez dans le répertoire FastChat et installez à partir de ce répertoire
+WORKDIR /FastChat
+RUN pip3 install -e ".[model_worker]"
+RUN pip3 install -e ".[train]"
+# RUN pip3 install accelerate
+RUN DS_BUILD_CPU_ADAM=1 pip3 install deepspeed
+
+# nvidia/cuda:12.2.0-runtime-ubuntu20.04 docker pull nvidia/cuda:12.2.0-devel-ubuntu20.04

FastChat @ f591012b

+Subproject commit f591012bf07f607df24eca5595c777ba893b9fc0

README.md

-# LLaMandement
+# LLaMAndement : Modèles de langage avancés pour la résumé des propositions législatives françaises.
 
+<p align="center">
+    <img src="assets/logo.png" width="30%">
+</p>
 
+Ce rapport présente LLaMAndement, un modèle de langage de pointe, optimisé par le gouvernement français et conçu pour accroître l'efficacité et la performance du traitement des sessions parlementaires (y compris la production de notes d'audience et de documents nécessaires pour les réunions interministérielles) en générant des résumés neutres des propositions législatives.
 
-## Getting started
-
-To make it easy for you to get started with GitLab, here's a list of recommended next steps.
-
-Already a pro? Just edit this README.md and make it your own. Want to make it easy? [Use the template at the bottom](#editing-this-readme)!
-
-## Add your files
+## Installation
 
-- [ ] [Create](https://docs.gitlab.com/ee/user/project/repository/web_editor.html#create-a-file) or [upload](https://docs.gitlab.com/ee/user/project/repository/web_editor.html#upload-a-file) files
-- [ ] [Add files using the command line](https://docs.gitlab.com/ee/gitlab-basics/add-file.html#add-a-file-using-the-command-line) or push an existing Git repository with the following command:
+### Méthode 1 : Avec pip
 
+```bash
+cd FastChat
+pip3 install "fschat[model_worker,webui,train]"
 ```
-cd existing_repo
-git remote add origin https://gitlab.adullact.net/dgfip/projets-ia/llamandement.git
-git branch -M main
-git push -uf origin main
-```
-
-## Integrate with your tools
-
-- [ ] [Set up project integrations](https://gitlab.adullact.net/dgfip/projets-ia/llamandement/-/settings/integrations)
+Cette commande vous permet d'installer FastChat, indispensable pour charger et effectuer une inférence avec notre modèle.
 
-## Collaborate with your team
+### Méthode 2 : Docker
 
-- [ ] [Invite team members and collaborators](https://docs.gitlab.com/ee/user/project/members/)
-- [ ] [Create a new merge request](https://docs.gitlab.com/ee/user/project/merge_requests/creating_merge_requests.html)
-- [ ] [Automatically close issues from merge requests](https://docs.gitlab.com/ee/user/project/issues/managing_issues.html#closing-issues-automatically)
-- [ ] [Enable merge request approvals](https://docs.gitlab.com/ee/user/project/merge_requests/approvals/)
-- [ ] [Set auto-merge](https://docs.gitlab.com/ee/user/project/merge_requests/merge_when_pipeline_succeeds.html)
-
-## Test and Deploy
-
-Use the built-in continuous integration in GitLab.
-
-- [ ] [Get started with GitLab CI/CD](https://docs.gitlab.com/ee/ci/quick_start/index.html)
-- [ ] [Analyze your code for known vulnerabilities with Static Application Security Testing(SAST)](https://docs.gitlab.com/ee/user/application_security/sast/)
-- [ ] [Deploy to Kubernetes, Amazon EC2, or Amazon ECS using Auto Deploy](https://docs.gitlab.com/ee/topics/autodevops/requirements.html)
-- [ ] [Use pull-based deployments for improved Kubernetes management](https://docs.gitlab.com/ee/user/clusters/agent/)
-- [ ] [Set up protected environments](https://docs.gitlab.com/ee/ci/environments/protected_environments.html)
+```bash
+docker build -t fastchat:training-latest .
+# puis
+docker run -it --gpus '"device=0,1"' -v /path/to/model:/path/to/model fastchat:training-latest # with gpu
+docker run -it -v /path/to/model:/path/to/model fastchat:training-latest # no gpu
+```
+Ici, nous construisons une image Docker et exécutons un conteneur. Ce processus nécessite Docker d'installé dans votre système et il est recommandé si vous prévoyez d'utiliser le modèle à grande échelle ou dans un environnement de production. 
 
-***
+Pour installer Docker, vous pouvez consulter la documentation officielle de Docker à l'adresse suivante : [https://docs.docker.com/get-docker/](https://docs.docker.com/get-docker/)
 
-# Editing this README
 
-When you're ready to make this README your own, just edit this file and use the handy template below (or feel free to structure it however you want - this is just a starting point!). Thank you to [makeareadme.com](https://www.makeareadme.com/) for this template.
+## Commencer avec LLamadement
 
-## Suggestions for a good README
-Every project is different, so consider which of these sections apply to yours. The sections used in the template are suggestions for most open source projects. Also keep in mind that while a README can be too long and detailed, too long is better than too short. If you think your README is too long, consider utilizing another form of documentation rather than cutting out information.
+Les poids pré-entraînés du modèle LLamadement sont disponibles sur Hugging Face à l'adresse suivante : [https://huggingface.co/dgfip/llamandement](https://huggingface.co/dgfip/llamandement).    
+Vous pouvez les télécharger et les utiliser pour démarrer rapidement avec le modèle.
 
-## Name
-Choose a self-explaining name for your project.
 
-## Description
-Let people know what your project can do specifically. Provide context and add a link to any reference visitors might be unfamiliar with. A list of Features or a Background subsection can also be added here. If there are alternatives to your project, this is a good place to list differentiating factors.
+### Inférence avec l'interface de ligne de commande
 
-## Badges
-On some READMEs, you may see small images that convey metadata, such as whether or not all the tests are passing for the project. You can use Shields to add some to your README. Many services also have instructions for adding a badge.
+```bash
+python3.9 -m fastchat.serve.cli --model-path /paht/to/llamadement --conv-template alpaca ##--device cpu if no gpu available
+```
 
-## Visuals
-Depending on what you are making, it can be a good idea to include screenshots or even a video (you'll frequently see GIFs rather than actual videos). Tools like ttygif can help, but check out Asciinema for a more sophisticated method.
+<p align="left">
+    <img src="assets/cli_llamandement.png" width="50%">
+</p>
+Cette commande vous permet de démarrer le modèle et de commencer à l'interroger.
 
-## Installation
-Within a particular ecosystem, there may be a common way of installing things, such as using Yarn, NuGet, or Homebrew. However, consider the possibility that whoever is reading your README is a novice and would like more guidance. Listing specific steps helps remove ambiguity and gets people to using your project as quickly as possible. If it only runs in a specific context like a particular programming language version or operating system or has dependencies that have to be installed manually, also add a Requirements subsection.
+## Re-Entraîner LLaMAndement
 
-## Usage
-Use examples liberally, and show the expected output if you can. It's helpful to have inline the smallest example of usage that you can demonstrate, while providing links to more sophisticated examples if they are too long to reasonably include in the README.
+Les données d'entraînement qui ont servi à apprendre à LLamadanement se trouvent dans ./data/fine_tuning_data_dila_v4.json.
+Pour plus d'informations sur la composition du dataset, voir la section 3.3 dans l'article suivant : xxxx
 
-## Support
-Tell people where they can go to for help. It can be any combination of an issue tracker, a chat room, an email address, etc.
+Si vous souhaitez ré-entraîner LLaMAndement, voici les étapes à suivre : 
 
-## Roadmap
-If you have ideas for releases in the future, it is a good idea to list them in the README.
+1. Téléchargez llama v2 13b : https://huggingface.co/meta-llama/Llama-2-13b-chat-hf
 
-## Contributing
-State if you are open to contributions and what your requirements are for accepting them.
+2. Configurez train_llamandement_13b.sh
 
-For people who want to make changes to your project, it's helpful to have some documentation on how to get started. Perhaps there is a script that they should run or some environment variables that they need to set. Make these steps explicit. These instructions could also be useful to your future self.
+3. Lancez un fine tuning
 
-You can also document commands to lint the code or run tests. These steps help to ensure high code quality and reduce the likelihood that the changes inadvertently break something. Having instructions for running tests is especially helpful if it requires external setup, such as starting a Selenium server for testing in a browser.
+Il est recommandé de lancer le script d'entraînement dans une image Docker pour assurer un environnement de développement cohérent et éviter les problèmes de dépendances. En utilisant une image Docker, vous pouvez encapsuler toutes les dépendances nécessaires, y compris les versions spécifiques des bibliothèques et des frameworks, ce qui facilite la reproductibilité de l'entraînement du modèle. De plus, l'utilisation d'une image Docker permet de bénéficier de l'isolation et de la portabilité, ce qui facilite le déploiement du modèle sur différentes machines ou environnements.
 
-## Authors and acknowledgment
-Show your appreciation to those who have contributed to the project.
+```bash
+sh train_llamandement_13b.sh
+```
 
-## License
-For open source projects, say how it is licensed.
+Voilà! Vous êtes prêt à ré-entraîner le modèle sur votre propre set de données. Ce processus peut prendre un certain temps, en fonction de la taille de votre ensemble de données et de la puissance de votre matériel.
 
-## Project status
-If you have run out of energy or time for your project, put a note at the top of the README saying that development has slowed down or stopped completely. Someone may choose to fork your project or volunteer to step in as a maintainer or owner, allowing your project to keep going. You can also make an explicit request for maintainers.
+Concernant le réglage des paramètres pour LORA, voici les parametres:      
+– **Taux d'apprentissage (Learning Rate, LR)**: Nous avons fixé le taux d'apprentissage LORA, σ = 2e-5, plus bas que les taux de fine-tuning typiques pour permettre une adaptation progressive et stable du modèle.    
+– **Profondeur d'adaptation (lora_r)**: Nous avons fixé sa valeur à 64. Ce paramètre spécifie le rang (dimension) de la matrice de faible rang dans LoRA. Dans notre modèle LLAMA 13B, le fine-tuning avec LORA a affecté environ 0,40% des poids (c'est-à-dire 50m de paramètres). Cet équilibre est crucial pour obtenir une adaptabilité à de nouvelles tâches ou à de nouvelles données tout en conservant la conception originale et les connaissances du modèle pré-entraîné.    
+– **Taux de décroissance (Decay Rate)** : Un taux de décroissance de 0,01 a été utilisé pour la régularisation, réduisant le risque de suradaptation à certaines structures de texte législatif.    
+– **LORA Alpha (α)** : Fixé à α = 16, ce paramètre contrôle l'échelle des ajustements LORA. Ce paramètre est essentiel pour affiner l'impact des modifications LoRA sur le modèle, permettant un réglage plus précis des réponses du modèle aux nuances dans les textes législatifs.   
+– **LORA Dropout** : Un taux d'abandon de 0,1 a été appliqué aux couches LORA pour prévenir la suradaptation et améliorer les capacités de généralisation.      
+– **Optimiseur et ordonnanceur** : Un ordonnanceur de taux d'apprentissage cosinus avec un ratio de préchauffage de 0,03 a été utilisé pour optimiser le processus d'entraînement.  
\ No newline at end of file

train_llamandement_13b.sh

+deepspeed FastChat/fastchat/train/train_lora.py \
+    --model_name_or_path /path/to/llama-2-13b-chat/  \
+    --lora_r 64 \
+    --lora_alpha 16 \
+    --lora_dropout 0.1 \
+    --data_path ./data/fine_tuning_data_dila_v4.json  \
+    --output_dir ./data/models/dtnum_13b_dila_v4 \
+    --num_train_epochs 10 \
+    --fp16 True \
+    --per_device_train_batch_size 3 \
+    --per_device_eval_batch_size 3 \
+    --gradient_accumulation_steps 4 \
+    --evaluation_strategy "no" \
+    --save_strategy "steps" \
+    --save_steps 240 \
+    --save_total_limit 10 \
+    --learning_rate 2e-4 \
+    --weight_decay 0.001 \
+    --warmup_ratio 0.03 \
+    --lr_scheduler_type "cosine" \
+    --logging_strategy "steps" \
+    --logging_steps 1 \
+    --tf32 True \
+    --model_max_length 4096 \
+    --q_lora False \
+    --deepspeed ./FastChat/FastChat/playground/deepspeed_config_s2.json \
+    --gradient_checkpointing True \
+    --flash_attn False
\ No newline at end of file