Mori-kamiyama/llm-jp-3-13b-it-241211_lora

Uploaded model

• Developed by: Mori-kamiyama
• 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.

# 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 install --upgrade pip setuptools wheel build
!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"

# 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 = 512  # コンテキスト長は任意に設定可能(unslothはRoPE対応)
dtype = None  # 自動でdtypeを選択
load_in_4bit = True  # 13Bモデルへの4bit量子化を有効化

model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp/llm-jp-3-13b-it" # Fine-Tuningしたモデル名

# trust_remote_codeはできればFalse推奨（安全性重視）
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = model_id,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    trust_remote_code = False,  # TrueからFalseに変更、安全を重視
)

# LoRA設定: lora_dropoutを0に変更して高速化
model = FastLanguageModel.get_peft_model(
    model,
    r = 32,
    target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                      "gate_proj", "up_proj", "down_proj"],
    lora_alpha = 32,
    lora_dropout = 0.0,  # 0.05 → 0に変更して警告回避 & 高速化
    bias = "none",
    use_gradient_checkpointing = "unsloth",
    random_state = 3407,
    use_rslora = False,
    loftq_config = None,
    max_seq_length = max_seq_length,
)

# distutilsの警告対策（必要なら別途、setuptoolsアップデート）
# pip install --upgrade setuptools

print("Model and tokenizer loaded successfully with LoRA configuration.")

# 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, concatenate_datasets  # concatenate_datasets をインポート

# ローカルデータセットの読み込み
dataset = load_dataset(
    "json",
    data_files=[
        "./ichikara-instruction-003-001-1.json",
        "./ichikara-instruction-003-001-2.1.json",
        "./ichikara-instruction-003-001-2.2.json",
        "./ichikara-instruction-003-001-5.1.json",
        "./ichikara-instruction-003-001-5.2.json"
    ]
)

# Hugging Face Hub 上のデータセットを読み込み
remote_dataset = load_dataset("llm-jp/magpie-sft-v1.0")

# データセットを結合し、10k件に制限
combined_dataset = concatenate_datasets([
    dataset['train'],  # 修正: ローカルデータセットの 'train' を参照
    remote_dataset['train'].select(range(min(len(remote_dataset['train']), 10000)))
])

# 結合後のデータセットを確認
print(combined_dataset)
# 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。

print(remote_dataset)  # データセットの情報を確認
print(remote_dataset['train'].num_rows)  # トレーニングデータのサンプル数
print(remote_dataset['train'][0])  # サンプルデータの一部を確認

# 学習時のプロンプトフォーマットの定義
prompt = """### 指示
{}
### 回答
{}"""

EOS_TOKEN = tokenizer.eos_token  # トークナイザーのEOSトークン（文末トークン）

# フォーマット関数
def formatting_prompts_func(examples):
    """
    datasetのサンプル(examples)からformatted_textを生成する関数。

    - `conversations` が存在し、かつ2つ以上の要素があれば、
      userとassistantのやりとりとしてフォーマット。
    - それ以外の場合は、ローカルdatasetの`text`と`output`を利用。
    - どちらもなければ空文字列を返す。
    """
    user_input = None
    assistant_output = None

    # conversationsが存在するかチェック
    conversations = examples.get("conversations", None)
    if conversations and len(conversations) >= 2:
        # remote_dataset形式: conversations[0]["content"]がユーザ発話、conversations[1]["content"]がアシスタント発話
        user_input = conversations[0]["content"]
        assistant_output = conversations[1]["content"]
    else:
        # local dataset形式: "text"と"output"フィールドが存在
        text_field = examples.get("text", None)
        output_field = examples.get("output", None)
        if text_field is not None and output_field is not None:
            user_input = text_field
            assistant_output = output_field

    if user_input is not None and assistant_output is not None:
        formatted = prompt.format(user_input, assistant_output) + EOS_TOKEN
    else:
        # conversations も text/output も有効でない場合は空文字
        formatted = ""

    return {"formatted_text": formatted}

# フォーマッティング
formatted_dataset = combined_dataset.map(
    formatting_prompts_func,
    num_proc=4
)

# 空文字のformatted_textをフィルタリング
def is_nonempty(example):
    return len(example["formatted_text"].strip()) > 0

formatted_dataset = formatted_dataset.filter(is_nonempty)

# データの確認
print(formatted_dataset)
print(formatted_dataset[0])

"""
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=formatted_dataset,
    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=5e-5,
        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("./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 = 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})

import os
import json

# ファイル名を指定
new_model_id = "llm-jp/llm-jp-3-13b-it"
file_path = f"{new_model_id}_output.jsonl"

# 必要なディレクトリを作成
os.makedirs(os.path.dirname(file_path), exist_ok=True)

# jsonlで保存
with open(file_path, 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

!pip install --upgrade huggingface_hub


from huggingface_hub import HfApi
from requests.exceptions import HTTPError

new_model_id = "Mori-kamiyama/llm-jp-3-13b-it-241211"

# Hugging Face API を使用してリポジトリの存在確認
api = HfApi()
try:
    repo_info = api.repo_info(repo_id=new_model_id+"_lora", token=HF_TOKEN)
    print(f"Repository {new_model_id+'_lora'} already exists.")
except HTTPError as e:
    if e.response.status_code == 404:  # リポジトリが存在しない場合
        print(f"Repository {new_model_id+'_lora'} does not exist. Proceeding to create it.")

        # リポジトリを作成してアップロード
        model.push_to_hub_merged(
            new_model_id+"_lora",
            tokenizer=tokenizer,
            save_method="lora",
            token=HF_TOKEN,
            private=True
        )
    else:
        print(f"An unexpected HTTP error occurred: {e}")
        raise