tats-toyoda/llm-jp-3-13b-it_lora

Uploaded model

• Developed by: tats-toyoda
• 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.

How to use

以下はこのモデルを用いて elyza-tasks-100-TV_0.jsonl に回答するためのコードです。

推論用コード

本コードは学習した 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。 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。

注意: 本コードは Google Colab での動作を前提としています。

1. 必要なライブラリをインストールする。

%%capture
!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

2. 必要なライブラリを読み込む。

import json
import re

import torch
from peft import PeftModel
from tqdm import tqdm
from unsloth import FastLanguageModel

3. ベースのモデル (llm-jp/llm-jp-3-13b) と学習した LoRA のアダプタ (Hugging Face の ID) をそれぞれ指定する。

model_id = "llm-jp/llm-jp-3-13b"
adapter_id = ""

4. Hugging Face より Write 権限が付与された Access Token を取得し、下記の HF_TOKEN で使用する。

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

5. ベースのモデルを用いて FastLanguageModel インスタンスを作成する。

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,
)

6. 元のモデル model に LoRA のアダプタを統合する。

model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN))

7. タスクとなるデータ ELYZA-tasks-100-TV を読み込む。
   • 事前に Google Colab 上に elyza-tasks-100-TV_0.jsonl をアップロードすること。

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 = ""

8. 学習済みモデルを用いてタスクを推論する。

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})

9. 結果を jsonl 形式で保存する。

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')