train.py

import torch

# Patch temporanea per PyTorch < 2.6
for i in range(1, 8):
    if not hasattr(torch, f'int{i}'):
        setattr(torch, f'int{i}', torch.int8)

# Ora puoi importare unsloth in sicurezza
from unsloth import FastLanguageModel

from unsloth import FastLanguageModel
from datasets import load_dataset
from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported

# 1. PARAMETRI DI BASE
max_seq_length = 2048 # Limite di token per farcela stare in 8GB di VRAM

print("=== 1. Caricamento del Modello Qwen in 4-bit ===")
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/Qwen2.5-Coder-7B-Instruct",
    max_seq_length = max_seq_length,
    dtype = None,
    load_in_4bit = True,
)

print("=== 2. Configurazione degli Adapter QLoRA ===")
model = FastLanguageModel.get_peft_model(
    model,
    r = 16, # Dimensione della matrice di apprendimento
    target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                      "gate_proj", "up_proj", "down_proj",],
    lora_alpha = 16,
    lora_dropout = 0, 
    bias = "none",
    use_gradient_checkpointing = "unsloth", # Cruciale per la RTX 4060
)

print("=== 3. Preparazione del Dataset Aziendale ===")
# Il template di istruzioni che il modello userà per imparare
alpaca_prompt = """Di seguito è riportata un'istruzione che descrive un task aziendale, accompagnata da un input che fornisce ulteriore contesto. Scrivi una risposta che completi adeguatamente la richiesta.

### Istruzione:
{}

### Input:
{}

### Risposta:
{}"""

EOS_TOKEN = tokenizer.eos_token # Impedisce al modello di generare testo all'infinito

def formatting_prompts_func(examples):
    instructions = examples["instruction"]
    inputs       = examples["input"]
    outputs      = examples["output"]
    texts = []
    for instruction, input, output in zip(instructions, inputs, outputs):
        text = alpaca_prompt.format(instruction, input, output) + EOS_TOKEN
        texts.append(text)
    return { "text" : texts, }

# Carica il file JSONL creato prima
dataset = load_dataset("json", data_files={"train": "dati.jsonl"}, split="train")
dataset = dataset.map(formatting_prompts_func, batched = True)

print("=== 4. Configurazione Motore di Addestramento ===")
trainer = SFTTrainer(
    model = model,
    tokenizer = tokenizer,
    train_dataset = dataset,
    dataset_text_field = "text",
    max_seq_length = max_seq_length,
    dataset_num_proc = 2,
    packing = False,
    args = TrainingArguments(
        per_device_train_batch_size = 2, # Mantenuto basso per gli 8GB di VRAM
        gradient_accumulation_steps = 4, # Moltiplicatore virtuale del batch size
        warmup_steps = 5,
        max_steps = 60, # Numero di cicli (modifica questo valore per training più lunghi)
        learning_rate = 2e-4,
        fp16 = not is_bfloat16_supported(),
        bf16 = is_bfloat16_supported(),
        logging_steps = 1,
        optim = "adamw_8bit", # Ottimizzatore a 8-bit per risparmiare ulteriore memoria
        weight_decay = 0.01,
        lr_scheduler_type = "linear",
        seed = 3407,
        output_dir = "outputs",
        report_to = "none", # Evita richieste API a sistemi esterni (privacy aziendale)
    ),
)

print("=== 5. INIZIO FINE-TUNING SULLA RTX 4060! ===")
trainer_stats = trainer.train()

print("=== 6. Salvataggio del nuovo Modello ===")
# Salva gli adapter LoRA addestrati in una cartella locale
model.save_pretrained("qwen-modello-aziendale")
tokenizer.save_pretrained("qwen-modello-aziendale")
print("Finito! Il tuo modello aziendale è stato salvato con successo.")