|
|
--- |
|
|
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:** Terazawa |
|
|
- **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) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sample Use |
|
|
|
|
|
以下は、elyza-tasks-100-TV_0.jsonlの回答のためのコードです。 |
|
|
|
|
|
推論用コード |
|
|
|
|
|
本コードはunslothで学習した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。 |
|
|
Hugging Faceにアダプタをアップロードしてあることが前提となります。 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。 |
|
|
|
|
|
※本コードはGoogle Colabでの動作を想定しており、Omnicampusでの動作を想定しておりません。 |
|
|
|
|
|
必要なライブラリをインストール |
|
|
%%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 |
|
|
|
|
|
必要なライブラリを読み込み |
|
|
from unsloth import FastLanguageModel from peft import PeftModel import torch import json from tqdm import tqdm import re |
|
|
|
|
|
ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）。 |
|
|
model_id = "llm-jp/llm-jp-3-13b" adapter_id = "" |
|
|
|
|
|
Hugging Face Token を指定。 |
|
|
下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。 |
|
|
https://huggingface.co/settings/tokens |
|
|
HF_TOKEN = "your Token" #@param {type:"string"} |
|
|
|
|
|
unslothのFastLanguageModelで元のモデルをロード。 |
|
|
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, ) |
|
|
|
|
|
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) |
|
|
|
|
|
タスクとなるデータの読み込み。 |
|
|
事前にデータをアップロードしてください。 |
|
|
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 = "" |
|
|
|
|
|
モデルを用いてタスクの推論。 |
|
|
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}) |
|
|
|
|
|
結果をjsonlで保存。 |
|
|
ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。 |
|
|
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') |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
