TurkiYasuda/llm-jp-3-13b-it-31_lora

---

Uploaded model

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

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

"LoRA_template_unsloth_20241127-31.ipynb" #最終課題コンペの提出コードです。 #####1.環境はGoogle Colabです。 #####2.事務局 小橋さんからご提供いただきましたFine-tuningテンプレー(LoRA_template_unsloth_20241127.ipynb)、推論テンプレート(Model_Inference_Template_DPO_20241207.ipynb)に基づき、これらを一部改変させていただきました。 #####3.学習データをご提供された以下をmergeしたデータを利用しました。 #####ichikara-instruction-003-001-1.json　(n=1729) #####https://huggingface.co/datasets/DeL-TaiseiOzaki/news_summary_2024secondhalf/blob/main/news_summaries.jsonl (n=39998) 合計　41,727 dataset -->

最終課題コンペ用 Fine-tuning テンプレート（unsloth）

最終課題コンペにて Fine-tuning を行ないたい方に向けの Fine-tuning コードです。 こちらは L4 を利用できない受講生の方向けにUnslothを用いたものとなっております。 Google Colab の無料版で利用可能な T4 でも動作可能になっています。 環境設定の難易度が高いので、慎重に取り組んでいただければと思います。

terminalでのconda環境構築（Omnicampusの環境などの場合）

事前にterminalで環境構築の必要があります。Google Colabでは不要です。

# conda環境の構築
wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"  

# このコマンドではいくつか質問があるので答えて下さい。おそらくインストール先のデフォルトは/root/miniforge3かと思います  
bash Miniforge3-$(uname)-$(uname -m).sh  

# 以下、インストール先が/root/miniforge3であることを前提とします  
export PATH=/root/miniforge3/bin:$PATH  
conda init  

# ここで一度、terminalを立ち上げ直す必要があります。  
# 以下のリンク先に従い環境を作ります。  
# https://docs.unsloth.ai/get-started/installation/conda-install  
conda create --name unsloth_env python=3.10 pytorch-cuda=12.1 pytorch cudatoolkit xformers -c pytorch -c nvidia -c xformers -y  
conda activate unsloth_env  
pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"  
pip install --no-deps "trl<0.9.0" peft accelerate bitsandbytes  

# jupyter notebook用のセットアップ。  
conda install -c conda-forge ipykernel  
python -m ipykernel install --user --name=unsloth_env --display-name "Python (unsloth_env)"  

Google Colab の場合は上記の環境構築手順を行なわず、単にこのセルから実行していってください。

!pip uninstall unsloth -y !pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

Google Colab のデフォルトで入っているパッケージをアップグレード（Moriyasu さんありがとうございます）

!pip install --upgrade torch !pip install --upgrade xformers

notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり）

Google Colabでは実行不要

!pip install ipywidgets --upgrade

Install Flash Attention 2 for softcapping support

import torch if torch.cuda.get_device_capability()[0] >= 8: !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"

モデルのロード

以下のコードでモデルを読み込みます。
受講生の方からご指摘頂いたのですが、unslothでgemma2を読み込むと、自動でunslothが作成した非公式モデルがダウンロードされるようです。
対処方法がわからない受講生はLLM-jp-3のみをご利用ください！

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 に入れてください。

Write権限を付与してください。

https://huggingface.co/settings/tokens

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

あるいは Google Colab シークレットを使う場合、左のサイドバーより🔑マークをクリック

HF_TOKEN という名前で Value に Hugging Face Token を入れてください。

ノートブックからのアクセスのトグルをオンにし、下記の二行のコードのコメントアウトを外してください。

from google.colab import userdata HF_TOKEN=userdata.get('HF_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 # unslothではRoPEをサポートしているのでコンテキスト長は自由に設定可能 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_id = "llm-jp/llm-jp-3-13b" new_model_id = "llm-jp-3-13b-it-31" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning

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, )

データの修正

学習に用いるデータセットの指定

今回はLLM-jp の公開している Ichikara Instruction を使います。データにアクセスするためには申請が必要ですので、使いたい方のみ申請をしてください。

Ichikara Instruciton を Hugging Face Hub にて公開することはお控えください。

また、CC-BY-NC-SAですのでモデルはライセンスを継承する前提でお使いください。

下記のリンクから申請を終えた先に Google Drive があり、Distribution20241221_all というフォルダごとダウンロードしてください。

今回は「ichikara-instruction-003-001-1.json」を使います。必要であれば展開（!unzip など）し、データセットのパスを適切に指定してください。

omnicampusの開発環境では取得したデータを左側にドラッグアンドドロップしてお使いください。

Google Colab の場合も左のサイドバーよりドラッグ&ドロップでアップデートしてください。

https://liat-aip.sakura.ne.jp/wp/llmのための日本語インストラクションデータ作成/llmのための日本語インストラクションデータ-公開/

関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)

import json import pandas as pd import re import os import requests from datasets import Dataset, load_dataset

def load_and_fix_json(file_path): """JSONファイルを読み込み、不正なエスケープ文字を修正""" with open(file_path, 'r', encoding='utf-8') as f: content = f.read()

# 無効なエスケープ文字を修正
content = re.sub(r'\\([^"\\/bfnrtu])', r'\\\\\1', content)

try:
    data = json.loads(content)  # JSONをパース
    if isinstance(data, dict):  # データが辞書の場合リストに変換
        data = [data]
    elif not isinstance(data, list):  # データがリストでも辞書でもない場合の処理
        print(f"Unexpected data format in {file_path}: {type(data)}")
        return None
    return data
except json.JSONDecodeError as e:
    print(f"Error in {file_path}: {e}")
    return None

データの統合

data_files = [ "/content/ichikara-instruction-003-001-1.json", "/content/news_summaries.jsonl" ]

all_data = [] # 正常なデータを格納 for file in data_files: data = load_and_fix_json(file) if data: all_data.extend(data)

Hugging Faceデータセットをロード

try: dataset = load_dataset("DeL-TaiseiOzaki/news_summary_2024secondhalf", split="train") all_data.extend(dataset) # データを統合 print(f"Loaded {len(dataset)} entries from Hugging Face dataset.") except Exception as e: print(f"Failed to load dataset from Hugging Face: {e}")

DataFrameに変換して統合データを確認

df = pd.DataFrame(all_data) print(f"Total entries loaded: {len(all_data)}") print(f"DataFrame size: {df.shape}")

重複を確認

duplicates = df.duplicated() print(f"Number of duplicate rows: {duplicates.sum()}")

データ件数確認

print(f"All data entries: {len(all_data)}")

欠損値を確認

missing_values = df.isnull().sum() print(f"\nMissing values per column:\n{missing_values}")

Hugging Face Datasets形式に変換

merged_dataset = Dataset.from_pandas(df) print(f"Merged Dataset entries: {len(merged_dataset)}")

print(merged_dataset[:5]) print(f"Final total entries: {len(all_data)}")

学習時のプロンプトフォーマットの定義

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

merged_dataset = merged_dataset.map( # Changed 'dataset' to 'merged_dataset' formatting_prompts_func, num_proc= 4, # 並列処理数を指定 )

merged_dataset # Changed 'dataset' to 'merged_dataset'

データを確認

print(merged_dataset["formatted_text"][3]) # 'dataset' should be 'merged_dataset', and there is no 'train' key

print(merged_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) """ import random from trl import SFTTrainer from transformers import TrainingArguments from unsloth import is_bfloat16_supported

1. データセットをランダムサンプリングして reduced_dataset を定義

sample_size = 10000 # 学習用データを小規模化（L4で約1時間前後になるように） reduced_dataset = merged_dataset.select(random.sample(range(len(merged_dataset)), sample_size))

2. SFTTrainer を実行

trainer = SFTTrainer( model = model, tokenizer = tokenizer, train_dataset=reduced_dataset, # サンプリングしたデータセットを指定 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 現在のメモリ使用量を表示 gpu_stats = torch.cuda.get_device_properties(0) start_gpu_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3) max_memory = round(gpu_stats.total_memory / 1024 / 1024 / 1024, 3) print(f"GPU = {gpu_stats.name}. Max memory = {max_memory} GB.") print(f"{start_gpu_memory} GB of memory reserved.")

#@title 学習実行 trainer_stats = trainer.train()

ELYZA-tasks-100-TVの読み込み。事前にファイルをアップロードしてください

データセットの読み込み。

omnicampusの開発環境では、左にタスクのjsonlをドラッグアンドドロップしてから実行。

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 = ""

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

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')

モデルとトークナイザーをHugging Faceにアップロードします。
本コードではLoRAのアダブタのみを保存します。
このアダプタを用いた推論方法はModel_Inference_Template_unsloth_20241127.ipynbをご参照ください。

一旦privateでアップロードしてください。
https://docs.unsloth.ai/basics/saving-and-using-models

LoRAアダプタだけ保存

model.push_to_hub_merged( new_model_id+"_lora", tokenizer=tokenizer, save_method="lora", token=HF_TOKEN, private=True )