TKN4/llm-jp-3-13b-it_parameter2_lora_para2

概要

Hugging Face上のモデル(llm-jp/llm-jp-3-13b＋TKN4/llm-jp-3-13b-it_parameter2_lora_para2)を用いて入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、その結果を{json_file_id}_output2-3.jsonlとして出力します。

モデル

• ベースモデル： llm-jp/llm-jp-3-13b
• アダプターモデル： TKN4/llm-jp-3-13b-it_parameter2_lora_para2
• 量子化： 4ビット量子化(qLoRA)
• 学習データ： Ichikara Instruction(要申請,CC-BY-NC-SA)

ライセンス

• 本モデルは商用利用不可です。
• 学習データはCC-BY-NC-SAのため、ライセンスは継承する必要があります。

前提条件

• 本コードはGoogle Colabでの動作(Python)を想定しております。
• Hugging Faceのアクセストークンの取得が必要です。

推論用コード

# 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

# 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 = "TKN4/llm-jp-3-13b-it_parameter2_lora_para2"

# Hugging Face Token を指定。
HF_TOKEN = "トークンを入力" #@param {type:"string"}


# 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,
)

# 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(elyza-tasks-100-TV_0.jsonl)をアップロードしてください。
datasets = []
with open("./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"""###要求\n簡潔かつ具体的な回答をしてください。必要に応じて例を挙げて説明してください。\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=1.1)
  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。
json_file_id = re.sub(".*/", "", adapter_id)
with open(f"/content/{json_file_id}_output2-3.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')