Uploaded model
- Developed by: edamas
- 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.
学習
学習用データセット
- ichikara-instruction-003-all.json
- ichikara-instructionの全てのJSONファイルを結合し、不正な要素3つを削除
unzip -q Distribution20241221_all.zip cat Distribution20241221_all/*.json | sed -E ':a;N;$!ba;s/\n^\]\n\[\s*/,/g' | sed 15374,15377d | sed 17523,17526d | sed 25115,25118d > ichikara-instruction-003-all.json
学習環境:
- RockyLinux9.4(5.14.0-427.42.1.el9_4.x86_64)
- NVIDIA Driver 550.54.15 + CUDA 12.4
- uv(学習時はv0.5.9)
- インストール方法
$ curl -LsSf https://astral.sh/uv/install.sh | sh
Python実行環境構築
初期pyproject.toml
[project]
name = "matsuollm2024-train"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = "==3.12"
dependencies = [
"accelerate==1.2.1",
"bitsandbytes==0.45.0",
"datasets==3.2.0",
"ipykernel==6.29.5",
"ipywidgets==8.1.5",
"peft==0.14.0",
"torch==2.5.0",
"transformers==4.47.0",
"trl==0.12.1",
"wandb==0.19.1",
]
[project.optional-dependencies]
build = [
"ninja==1.11.1.3",
"packaging==24.2",
"psutil==6.1.0",
]
compile = [
"flash-attn==2.6.3",
]
[[tool.uv.index]]
name = "pytorch-cu124"
url = "https://download.pytorch.org/whl/cu124"
explicit = true
[tool.uv.sources]
torch = { index = "pytorch-cu124" }
[tool.uv]
no-build-isolation-package = ["flash-attn"]
[[tool.uv.dependency-metadata]]
name = "flash-attn"
version = "2.6.3"
requires-dist = ["torch", "einops"]
環境構築コマンド（上記pyproject.tomlを準備後に以下を実行）
$ sudo dnf install gcc-c++
$ export CXX=g++
$ export CC=gcc
$ uv cache clean
$ uv sync --extra build
$ uv sync --extra build --extra compile
$ uv add "unsloth[cu124-ampere-torch250] @ git+https://github.com/unslothai/unsloth.git"
学習・推論・提出用JSONL作成・Huggingfaceへのアップロード用コード
- LoRA_template_unsloth_20241127.ipynbを修正し.py化したもの
コード
# %% [markdown]
# # 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"
# %% [markdown]
# ## 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 = "your-hftoken" #@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 = 2048 # 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" #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",
"lm_head", "embed_token"],
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,
)
# %%
# 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)
from datasets import load_dataset
dataset = load_dataset("json", data_files="./ichikara-instruction-003-all.json")
# パスの指定にご注意ください。アップロードしたファイルを右クリックし、「パスをコピー」をクリック、上記の data_files と合致していることをご確認ください。Omnicampus のディレクトリ構造とは異なるかもしれません。
# %%
# 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
dataset = dataset.map(
formatting_prompts_func,
num_proc= 4, # 並列処理数を指定
)
dataset
# %%
# データを確認
print(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)
"""
from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported
trainer = SFTTrainer(
model = model,
tokenizer = tokenizer,
train_dataset=dataset["train"],
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:
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 = ""
# %%
# 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 = 2048, 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')
# %% [markdown]
# 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
)
推論 on Google Colab
概要
- Huggingfaceへアップロードしたlora重みを使用
- コードはmodel_inference_template_unsloth_20241127.ipynbを修正し.py化したもの
- 1時間以内での完走確認済み（推論時間：25分）
- 注意：提出済みJSONLは上記学習用コード内で生成・アップロードしたもの。下記コードは運営による検証用。
Colab上での操作
- ランタイムの変更：Runtime -> Change runtime type: T4 GPU
- テストデータアップロード: /content/elyza-tasks-100-TV_0.jsonl
- 以下をGoogle Colabの第一セルにコピー
- HF_TOKENを設定
- 実行 -> 結果 /content/submit-01_output.jsonl
コード
# -*- coding: utf-8 -*-
"""Model_Inference_Template_unsloth_20241127.ipynb
Automatically generated by Colab.
Original file is located at
https://colab.research.google.com/drive/1CinXAmtYZCBbGizZ6TbotfGLd9kS3jwL
# 推論用コード
本コードはunslothで学習したqLoRAのアダプタを用いてELYZA-tasks-100-TVの出力を得るためのコードです。
Hugging Faceにアダプタをアップロードしてあることが前提となります。
このコードはunslothライブラリを用いてモデルを読み込み、推論するためのコードとなります。
このコードで生成されたjsonlファイルは課題の成果として提出可能なフォーマットになっております。
※本コードはGoogle Colabでの動作を想定しており、Omnicampusでの動作を想定しておりません。
Omnicampus向けのコードは別途用意しております。
"""
# Commented out IPython magic to ensure Python compatibility.
# # 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
# 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 = "edamas/submit-01"
# 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。
# https://huggingface.co/settings/tokens
HF_TOKEN = "your-token" #@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"""### 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})
# 結果をjsonlで保存。
# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
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')
Model tree for edamas/submit-01
Base model
llm-jp/llm-jp-3-13b