|
--- |
|
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:** demidemi |
|
- **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) |
|
|
|
|
|
--- |
|
base_model: llm-jp/llm-jp-3-13b |
|
tags: |
|
- text-generation-inference |
|
- transformers |
|
- unsloth |
|
- llama |
|
- trl |
|
license: apache-2.0 |
|
language: |
|
- en |
|
--- |
|
|
|
|
|
# 東京大学 松尾・岩澤研究室 大規模言語モデル2024 最終課題コンペ |
|
https://weblab.t.u-tokyo.ac.jp/lecture/course-list/large-language-model/ |
|
|
|
|
|
 |
|
|
|
|
|
# Author＆Affiliation |
|
作成日：2024年11月30日 作成者：出水 利樹（demidemi） #SoftBank #MONET Technologies |
|
|
|
2024年11月30日： |
|
「第7位」記念スクショ済み((((;ﾟДﾟ)))) |
|
|
|
2024年12月17日： |
|
暫定「第47位」 最終審査待ち（決勝進出者以外は2025年1月末発表？） |
|
|
|
最終コンペ実施期間：2024年11月20日～12月17日（火） |
|
1,330人参加。皆さまお疲れ様でした！ |
|
|
|
# Point |
|
１．SampleCodeベース&無課金Colab |
|
|
|
２．有志の方々のおススメ設定を幾つか実施したのみ |
|
|
|
⇒コンテキスト長の設定がドンピシャだったのか（勘）？？ |
|
|
|
# Explanation |
|
このコードを簡単に説明すると、「AIをさらに賢くするために、既存のAIモデルを細かく調整して新しい用途に適応させる」 |
|
という作業をGoogle Colab上で行うプログラムです。 |
|
|
|
以下、文系営業向けにわかりやすく説明します。 |
|
|
|
1. 何をしている？ |
|
AIモデルを改良する作業をしています。 |
|
具体的には、「日本語で指示を出すと、それに応じた回答を返すAI」を自社の用途に特化させている最中です。 |
|
|
|
3. どんな準備をしている？ |
|
必要なツールのインストール |
|
最初の部分で、「unsloth」という特別なAIツールや「PyTorch」というAIを動かすためのソフトを準備しています。 |
|
これらは、AIを効率よく動かしたり、新しいことを学ばせるために必要です。 |
|
|
|
5. モデルの読み込みと設定 |
|
元になるAIを用意 |
|
model_id = "llm-jp/llm-jp-3-13b" というIDから、元のAIモデルを取り出しています。 |
|
AIに新しい名前をつける |
|
新しく改良したAIに「llm-jp-3-13b-finetune-ex」という名前を付けています。 |
|
|
|
6. AIに教える材料を準備 |
|
データセットの加工 |
|
AIに教えるためのデータ（例: 指示とその正しい回答）を「わかりやすい形」に整えています。 |
|
AIが読みやすい形式にして、「これが入力、これが出力」という形で渡します。 |
|
|
|
8. 訓練（AIを賢くするプロセス） |
|
訓練の設定 |
|
AIを訓練するためのルールを細かく決めています。たとえば： |
|
どれくらいの速さで学ばせるか（学習率） |
|
どのくらいデータを使って練習するか（バッチサイズ、エポック数） |
|
実際に訓練 |
|
用意したデータを使って、AIが「正しい回答を出せるように」練習させます。 |
|
|
|
9. 訓練結果を確認 |
|
訓練が終わった後のAIにいくつかテストをして、「ちゃんと賢くなったか？」をチェックしています。 |
|
|
|
10. 改良したAIを保存 |
|
改良したAIを特定の場所（インターネット上の「保管庫」）に保存して、いつでも再利用できるようにしています。 |
|
文系営業向けポイント |
|
このコードは「AIの頭脳をさらに良くする手順」を書いたものです。営業に例えるなら、 |
|
「AIモデル」は新人営業マンで、「データセット」は営業マニュアル、 |
|
「訓練」はそのマニュアルをもとにロープレする過程にあたります。 |
|
コードの目的は、この新人営業マンが特定のお客様のニーズに完璧に応えられるように教育することです。 |
|
|
|
# Sample Use |
|
以下は、elyza-tasks-100-TV_0.jsonlの回答用モデルコードです！ |
|
|
|
# -*- coding: utf-8 -*- |
|
``` |
|
""" |
|
llm-jp-3-13b-finetune2.ipynb |
|
|
|
Automatically generated by Colab. |
|
|
|
Original file is located at |
|
https://colab.research.google.com/drive/1TLF_HtVz6ng9ZAWe7lHy59kiHBg3_3y0 |
|
""" |
|
|
|
!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 |
|
|
|
!pip install ipywidgets --upgrade |
|
|
|
import torch |
|
if torch.cuda.is_available() and torch.cuda.get_device_capability()[0] >= 8: # まず torch.cuda.is_available() を使ってGPUが存在するかどうかを確認し、存在する場合にのみその次のチェック（ torch.cuda.get_device_capability()[0] >= 8）を行います。これにより、GPUが存在しない環境でもエラーを回避 |
|
!pip install --no-deps packaging ninja einops "flash-attn>=2.6.3" |
|
|
|
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 |
|
|
|
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig |
|
from unsloth import FastLanguageModel |
|
import torch |
|
max_seq_length = 888 # 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。2回目Tryは少し大きめ設定。 |
|
dtype = None # Noneにしておけば自動で設定 |
|
load_in_4bit = True # 今回は8Bクラスのモデルを扱うためTrue |
|
|
|
model_id = "llm-jp/llm-jp-3-13b" |
|
new_model_id = "llm-jp-3-13b-finetune-ex" #Fine-Tuningしたモデルにつけたい名前 |
|
# 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, |
|
) |
|
|
|
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,) |
|
|
|
HF_TOKEN = "*****" #@param {type:"string"} #My token is secret! by demimomi |
|
|
|
from datasets import load_dataset |
|
|
|
dataset = load_dataset("elyza/ELYZA-tasks-100") |
|
|
|
dataset = dataset.remove_columns('eval_aspect') |
|
|
|
dataset = dataset.rename_columns({'input':'text'}) |
|
|
|
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 |
|
|
|
from google.colab import output |
|
output.enable_custom_widget_manager() |
|
|
|
"""Support for third party widgets will remain active for the duration of the session. To disable support:""" |
|
|
|
from google.colab import output |
|
output.disable_custom_widget_manager() |
|
|
|
print(dataset["test"]["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["test"], |
|
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", |
|
), |
|
) |
|
|
|
from google.colab import output |
|
output.enable_custom_widget_manager() |
|
|
|
"""Support for third party widgets will remain active for the duration of the session. To disable support:""" |
|
|
|
from google.colab import output |
|
output.disable_custom_widget_manager() |
|
|
|
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.") |
|
|
|
trainer_stats = trainer.train() |
|
|
|
import json |
|
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 = "" |
|
|
|
from tqdm import tqdm |
|
|
|
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}) |
|
|
|
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') |
|
|
|
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') |
|
|
|
model.push_to_hub_merged( |
|
new_model_id, |
|
tokenizer=tokenizer, |
|
save_method="lora", |
|
token=HF_TOKEN, |
|
private=True |
|
) |
|
``` |
|
|
|
|
