--- base_model: llm-jp/llm-jp-3-13b tags: - text-generation-inference - transformers - unsloth - llm - question answering language: - en - ja programming_language: Python --- # Uploaded model - Developed by: dkl4 - Finetuned from model : llm-jp/llm-jp-3-13b ## Required Libraries and Their Versions - torch>=2.5.1 - transformers>=4.46.2 - tokenizers>=3.4.5 - accelerate>=0.9.0 - flash-attn>=2.6.3 以下はHugging Face上のモデル(`llm-jp/llm-jp-3-13b` + `dkl4/llm-jp-3-13b-it-04_lora`)を用いてelyza-tasks-100-tv_0.jsonlに回答する為のコードです。 ## Usage Execute following code in Google Colab ```python # 必要なライブラリをインストール !pip uninstall unsloth -y !pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git" !pip install --upgrade torch !pip install --upgrade xformers # 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(Hugging FaceのIDを指定) model_id = "llm-jp/llm-jp-3-13b" adapter_id = "dkl4/llm-jp-3-13b-it-04_lora" # Hugging Faceのトークンを取得(以下はGoogle Colabでuserdataを使う例。実行環境に合わせて適宜変更) from google.colab import userdata HF_TOKEN = "YOUR_HUGGINGFACE_TOKEN" # llm-jp/llm-jp-3-13bを4bit量子化のQLoRA設定でロード from unsloth import FastLanguageModel import torch max_seq_length = 512 dtype = None load_in_4bit = True model_id = "llm-jp/llm-jp-3-13b" new_model_id = "dkl42151/llm-jp-3-13b-it-04" # FastLanguageModel インスタンスを作成 model, tokenizer = FastLanguageModel.from_pretrained( model_name=model_id, dtype=dtype, load_in_4bit=load_in_4bit, trust_remote_code=True, ) # SFT用のモデルを用意 model = FastLanguageModel.get_peft_model( model, r = 32, target_modules = ["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj",], lora_alpha = 32, lora_dropout = 0.05, bias = "none", use_gradient_checkpointing = "unsloth", random_state = 3407, use_rslora = False, loftq_config = None, max_seq_length = max_seq_length, ) from datasets import load_dataset dataset = load_dataset("json", data_files="./ichikara-instruction-003-001-1.json") prompt = """### 指示 {} ### 回答 {}""" """ formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """ EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン(文末トークン) def formatting_prompts_func(examples): input = examples["text"] # 入力データ output = examples["output"] # 出力データ text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass # # 各データにフォーマットを適用 dataset = dataset.map( formatting_prompts_func, num_proc= 4, # 並列処理数を指定 ) dataset # データを確認 print(dataset["train"]["formatted_text"][3]) """ training_arguments: 学習の設定 - output_dir: -トレーニング後のモデルを保存するディレクトリ - per_device_train_batch_size: - デバイスごとのトレーニングバッチサイズ - per_device_eval_batch_size: - デバイスごとの評価バッチサイズ - gradient_accumulation_steps: - 勾配を更新する前にステップを積み重ねる回数 - optim: - オプティマイザの設定 - num_train_epochs: - エポック数 - eval_strategy: - 評価の戦略 ("no"/"steps"/"epoch") - eval_steps: - eval_strategyが"steps"のとき、評価を行うstep間隔 - logging_strategy: - ログ記録の戦略 - logging_steps: - ログを出力するステップ間隔 - warmup_steps: - 学習率のウォームアップステップ数 - save_steps: - モデルを保存するステップ間隔 - save_total_limit: - 保存しておくcheckpointの数 - max_steps: - トレーニングの最大ステップ数 - learning_rate: - 学習率 - fp16: - 16bit浮動小数点の使用設定(第8回演習を参考にすると良いです) - bf16: - BFloat16の使用設定 - group_by_length: - 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化) - report_to: - ログの送信先 ("wandb"/"tensorboard"など) """ from trl import SFTTrainer from transformers import TrainingArguments from unsloth import is_bfloat16_supported trainer = SFTTrainer( model = model, tokenizer = tokenizer, train_dataset=dataset["train"], max_seq_length = max_seq_length, dataset_text_field="formatted_text", packing = False, args = TrainingArguments( per_device_train_batch_size = 2, gradient_accumulation_steps = 4, num_train_epochs = 1, logging_steps = 10, warmup_steps = 10, save_steps=100, save_total_limit=2, max_steps=-1, learning_rate = 2e-4, fp16 = not is_bfloat16_supported(), bf16 = is_bfloat16_supported(), group_by_length=True, seed = 3407, output_dir = "outputs", report_to = "none", ), ) #@title 学習実行 trainer_stats = trainer.train() ## 入力データの準備 # ./elyza-tasks-100-TV_0.jsonl`というファイルからデータセットをロード import json 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 = "" ## 推論実行 # 学習したモデルを用いてタスクを実行 from tqdm import tqdm # 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"""### 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}) # jsonlで保存 import os # Import the os module # Create the directory if it doesn't exist directory = os.path.dirname(f"{new_model_id}_output.jsonl") if directory: # If there's a directory in the path os.makedirs(directory, exist_ok=True) # Create it if it doesn't exist with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False) f.write('\n') ``` 以上の手順で、{adapter_id}-outputs.jsonlというファイルに推論結果が書き出されます。