Update README.md

README.md

@@ -20,104 +20,4 @@ base_model:
  
 gemma-2利用にあたり、ライセンス上制約の懸念のあるデータセットは利用していない。
 
-## 推論手順
-unsloth版のサンプルコード（Google Colab L4使用）をベースとし、推論は１時間以内で終了するようになっている。
-なお、unsloth版でgemmaを直接使用しようとすると、意図せず別のモデルがダウンロードされることが報告されていることから、当該事象を回避するため、ローカルに一度ダウンロードしたものを使用する形に変更している。
-
-```
-# 必要なライブラリをインストール
-%%capture
-!pip install unsloth
-!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
-!pip install -U torch
-!pip install -U peft
-```
-
-```
-HF_TOKEN = "" #必要なトークンを設定してください
-```
-
-```
-# HFからモデルリポジトリをダウンロード
-!huggingface-cli login --token $HF_TOKEN
-!huggingface-cli download google/gemma-2-27b --local-dir gemma-2-27b/
-```
-
-```
-# 必要なライブラリを読み込み
-from unsloth import FastLanguageModel
-from peft import PeftModel
-import torch
-import json
-from tqdm import tqdm
-import re
-```
-
-```
-# ベースとなるモデルと学習したLoRAのアダプタ
-model_id = "/content/gemma-2-27b"
-adapter_id = "Taka2024/gemma-2-27b-it-2_lora"
-```
-
-```
-# unslothのFastLanguageModelで元のモデルをロード。
-dtype = None # Noneにしておけば自動で設定
-load_in_4bit = True # 今回は27Bモデルを扱うためTrue
-
-model, tokenizer = FastLanguageModel.from_pretrained(
-    model_name=model_id,
-    dtype=dtype,
-    load_in_4bit=load_in_4bit,
-    trust_remote_code=True,
-)
-```
-
-```
-# 元のモデルにLoRAのアダプタを統合。
-model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
-```
-
-```
-# タスクとなるデータの読み込み。
-# 事前にデータをアップロードしてください。
-datasets = []
-with open("/content/elyza-tasks-100-TV_0.jsonl", "r") as f:
-    item = ""
-    for line in f:
-      line = line.strip()
-      item += line
-      if item.endswith("}"):
-        datasets.append(json.loads(item))
-        item = ""
-```
-
-```
-# モデルを用いてタスクの推論。
-# 推論するためにモデルのモードを変更
-FastLanguageModel.for_inference(model)
-
-results = []
-for dt in tqdm(datasets):
-  input = dt["input"]
-
-  prompt = f"""### あなたは日本人のための優秀なコンシェルジュです。指示には必ずわかりやすい日本語で回答してください。\n### 指示\n{input}\n### 回答\n"""
-
-  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
-
-  outputs = model.generate(**inputs, max_new_tokens = 512, use_cache = True, do_sample=False, repetition_penalty=1.2)
-  prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]
-
-  results.append({"task_id": dt["task_id"], "input": input, "output": prediction})
-```
-
-```
-# 結果をjsonlで保存。
-
-# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
-json_file_id = re.sub(".*/", "", adapter_id)
-with open(f"/content/{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
-    for result in results:
-        json.dump(result, f, ensure_ascii=False)
-        f.write('\n')
-```
-
+Loraアダプタのみ保存している。