概要

　本コードは、以下のbase modelとadapterに対してELYZA-tasks-100-TV.jsonlを入力し、
その推論をllm-jp-3-13b-SFT-1216b_output.jsonlというファイルに出力するためのコードです。
base model: https://huggingface.co/llm-jp/llm-jp-3-13b
adapter : https://huggingface.co/Mountaingorillas/llm-jp-3-13b-SFT-1216b_lora　

使用上の注意

本LoRAアダプタは、Apache-2.0ライセンスのベースモデル llm-jp-3-13b と
CC-BY-NC-SAライセンスのichikara-instructionデータセット (https://llm-jp.nii.ac.jp/blog/2024/02/09/v1.1-tuning.html#%E3%83%87%E3%83%BC%E3%82%BF%E3%82%BB%E3%83%83%E3%83%88)
の内、以下のデータセットを使用して学習しています。
ichikara-instruction-003-001-1
ichikara-instruction-003-002-1
ichikara-instruction-003-003-1

よって、本モデル(LoRAアダプタ)はCC-BY-NC-SA 4.0 の下でライセンスされます。

BY（表示）: 本モデルを利用する際、元となるデータセット・ベースモデルへのクレジットを表記してください。
NC（非営利）: 非営利目的でのみ利用可能です。
SA（継承）: 派生モデルを再配布する際、同じライセンス (CC-BY-NC-SA 4.0) を適用してください。

なお、ベースモデルは国立情報学研究所が公開したものです。また、ichikara-instructionデータセットの著作権は理化学研究所に属します。

前提条件

　・Hugging Faceのアクセストークン（HF_TOKEN）を取得済みであること
　・Hugging Faceの自分のアカウントに上記adapterをアップロード済みであること
　・Google ColabのL4以上のGPUで動作させること

step1. 必要なライブラリをインストール。（Google Colabで実行する想定です）

!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

step2. 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

step3. 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 = "Mountaingorillas/llm-jp-3-13b-SFT-1216b_lora"

step4. Hugging Face Token を指定。下記の URL から Hugging Face Token を取得できますので下記の HF_TOKENの "" 内に入れてください。

https://huggingface.co/settings/tokens

HF_TOKEN = "" #@param {type:"string"}

step.5 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13B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,
)

step.6 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)

step.7 タスクとなるデータの読み込み。

事前にGoogle Driveにデータをアップロードし、*****************の部分は、ご自分のフォルダ構造を反映させてください。

from google.colab import drive
drive.mount('/content/drive')

datasets = []
with open("/content/drive/My Drive/*****************/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 = ""

step.8 モデルを用いてタスクの推論。

FastLanguageModel.for_inference(model)
model.eval()
results = []
for dt in tqdm(datasets):
  input = dt["input"]

  prompt = f"""以下はユーザーから出題される指示と期待される回答です。回答前に可能な限り根拠を内部で検討してください。確かな情報がない場合は「不明」と回答してください。### 指示\n{input}\n### 回答\n"""

  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)

  outputs = model.generate(**inputs, max_new_tokens = 1200, 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})

step.9 結果をjsonlで保存。

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')

Special Thanks to the llm-jp community and the LLM2024 course by Matsuo Lab.(The University of Tokyo)!!
Developed by: Mountaingorillas
License: CC-BY-NC-SA-4.0
Finetuned from model : llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

Mountaingorillas
/

llm-jp-3-13b-SFT-1216b_lora

概要