Update README.md

README.md

@@ -30,7 +30,7 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
 # Googleドライブに接続
 from google.colab import drive
 drive.mount('/content/drive')
-# 接続しているGPUの種類
+# 接続しているGPUの種類の表示
 !nvidia-smi
 
 # 必要なライブラリのインストール
@@ -38,7 +38,89 @@ drive.mount('/content/drive')
 !pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git" -q
 !pip install -U torch -q
 !pip install -U peft -q
+
+# 必要なライブラリの読み込み
+from unsloth import FastLanguageModel
+from peft import PeftModel
+import torch
+import json
+from tqdm import tqdm
+import re
+```
+2. モデルの読み込み
+- 元のモデル(llm-jp/llm-jp-3-13b)と学習させたアダプターとを統合する。
+- huggeinface_tokenの所にhugging face tokenを入力して使用する。
+
+```bash
+# ベースとなるモデルと学習したLoRAのアダプタ(本モデル)のIDやHugging face tokenを指定。
+model_id = "llm-jp/llm-jp-3-13b"
+adapter_id = "kazuHF/llm-jp-3-13b-it2_lora"
+HF_TOKEN = "huggingface_token" 
+# unslothのFastLanguageModelで元のモデルとトークナイザーをロード。
+model, tokenizer = FastLanguageModel.from_pretrained(
+    model_name=model_id,
+    dtype=None,
+    load_in_4bit=True,
+    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)
+# 推論するためにモデルのモードを変更
+FastLanguageModel.for_inference(model)
 ```
+3. 単一の入力文に対して推論する場合
+
+```bash
+# 単一の入力文に基づいて推論する関数の定義。
+def Decoder(input):
+    prompt = f"""### 指示\n\n{str(input)}\n\n### 回答"""        
+    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]
+    print(prompt)
+    print(prediction)
+```
+◇ 使用例
+```bash
+Decoder('犬と猫の違いについて述べてください。')
+```
+
+4. jasonlで保存された入力文を一括して推論する場合
+- Colabの/contentにeliza-tasks-100-TV_0.jsonlをuploadしておく。
+
+```bash
+# jsonlで作製されたタスクを一括処理する場合。
+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 = ""
+        
+# モデルで入力を一括処理。
+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。
+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')
+```
+
+- 推論結果はColabの/contentに、llm-jp-3-13b-it2_lora_output.jsonlとして保存される。
+
 
 
 # ■ kazuHF/llm-jp-3-13b-it2_loraの概要