---
base_model: llm-jp/llm-jp-3-13b
tags:
- text-generation-inference
- transformers
- unsloth
- llama
- trl
license: apache-2.0
language:
- en
---

# Uploaded  model

- **Developed by:** ryusuke009
- **License:** apache-2.0
- **Finetuned from model :** llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library.

[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)


# 実行方法
- このコードはGoogleColabを使い、ELYZA-tasks-100-TVの出力を得るためのものです。
- 推論用のファイル(json)を準備し、"推論用のJSONLファイルをアップロードしてください..."が表示されたら実行してください。

```python

# 必要なライブラリをインストール
!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

# 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
from google.colab import files  # ファイルアップロード/ダウンロード用
from transformers import BitsAndBytesConfig

# ベースとなるモデルと学習したLoRAのアダプタ
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "ryusuke009/llm-jp-3-13b-finetune-2"

# 4bit量子化の設定
quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    llm_int8_enable_fp32_cpu_offload=True
)

# unslothのFastLanguageModelで元のモデルをロード
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    quantization_config=quantization_config,
    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)

# タスクとなるデータの読み込み（ファイルアップロード方式）
print("推論用のJSONLファイルをアップロードしてください...")
uploaded = files.upload()

# アップロードされたファイルを処理
datasets = []
filename = list(uploaded.keys())[0]
with open(filename, "r") as f:
    item = ""
    for line in f:
        line = line.strip()
        item += line
        if item.endswith("}"):
            datasets.append(json.loads(item))
            item = ""

print(f"データセットの読み込み完了: {len(datasets)}件のデータを処理します")

# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

# モデルを用いてタスクの推論
results = []
for dt in tqdm(datasets):
    input = dt["input"]
    prompt = f"""### 指示\n{input} 簡潔に回答してください \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]
    prediction = re.sub(r"[*#]", "", prediction)
    
    results.append({"task_id": dt["task_id"], "input": input, "output": prediction})

# 結果をjsonlで保存とダウンロード
output_filename = "model_predictions_output.jsonl"
with open(output_filename, 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

# 結果ファイルをダウンロード
files.download(output_filename)
print("処理が完了しました。結果ファイルがダウンロードされます。")

```