---
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:** tats-toyoda
- **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)


# 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](https://huggingface.co/settings/tokens) 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')
```