---
base_model: llm-jp/llm-jp-3-13b
tags:
- text-generation-inference
- transformers
- unsloth
- llama
- trl
license: apache-2.0
language:
- jp
---
# 東京大学メタバース工学部 LLM講座 2024　最終課題の提出用モデル

## 提出物: masakama-llm-jp-3-13b-finetune-1201_output.jsonl の生成方法：


推論の入力データとして elyza-tasks-100-TV_0.jsonl を使用し、以下のサンプルのようにして出力を得ます：

```
# 必要なモジュールのインストール（更新） ※ランタイムの再起動が必要となる場合があります
!pip uninstall unsloth -y
!pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

# Hugging Face Token を指定
#
# 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てください。

from google.colab import userdata
HF_TOKEN=userdata.get('HF_TOKEN')

# 直接以下にHugging Face Tokenを代入して、コメントアウトを解除して使用してもOKです。その場合、コードを他に公開しないように注意してください。
# HF_TOKEN=""

# 推論に使用するデータを content フォルダの下に配置してください。
# 以下は Google Drive のMyDrive の下にLLMCompData　フォルダがあり、そこに繰り返し使用するデータファイルを格納している場合の例となります。

# Google DriveのMy Drive をマウント
from google.colab import drive
drive.mount('/content/drive')
#%cd "/content/drive/MyDrive"

# 使用するデータを content フォルダの下にコピー 
%cp "/content/drive/MyDrive/LLMCompData/elyza-tasks-100-TV_0.jsonl" "/content/"

# モデルを指定
model_name = "masakama-H/masakama-llm-jp-3-13b-finetune-1201"

oufput_name = model_name.split("/")[-1]

# パラメタ
max_seq_length = 512 # 2048
max_new_tokens_len = 512 # 512

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

# 必要なモジュールのインポート
from unsloth import FastLanguageModel
import torch
import json
from tqdm import tqdm

# モデルのロード
dtype = None
load_in_4bit = True

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = model_name,
    max_seq_length = max_seq_length,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    token = HF_TOKEN,
)
FastLanguageModel.for_inference(model)

# 入力データの読み込み。
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 = ""

# 推論
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 = max_new_tokens_len, 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})

# 結果の保存
with open(f"/content/{oufput_name}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

```


# Uploaded  model

- **Developed by:** masakama-H
- **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)