Terazawa
/

llm-jp-3-13b-it_lora

@@ -25,278 +25,64 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
-# 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 uninstall unsloth -y
-!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"
-# 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。
-# Write権限を付与してください。
-# https://huggingface.co/settings/tokens
-HF_TOKEN = "Your Token" #@param {type:"string"}
-# あるいは 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、下記の二行のコードのコメントアウトを外してください。
-# from google.colab import userdata
-# HF_TOKEN=userdata.get('HF_TOKEN')
-# 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 # unslothではRoPEをサポートしているのでコンテキスト長は自由に設定可能
-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_id = "llm-jp/llm-jp-3-13b"
-new_model_id = "llm-jp-3-13b-it" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning
-# FastLanguageModel インスタンスを作成
-model, tokenizer = FastLanguageModel.from_pretrained(
-    model_name=model_id,
-    dtype=dtype,
-    load_in_4bit=load_in_4bit,
-    trust_remote_code=True,
-)
-# SFT用のモデルを用意
-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 = 0.05,
-    bias = "none",
-    use_gradient_checkpointing = "unsloth",
-    random_state = 3407,
-    use_rslora = False,
-    loftq_config = None,
-    max_seq_length = max_seq_length,
-)
-# 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
-dataset = load_dataset("json", data_files="./ichikara-instruction-003-001-1.json")
-# 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。
-# 学習時のプロンプトフォーマットの定義
-prompt = """### 指示
-{}
-### 回答
-{}"""
-"""
-formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる
-"""
-EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン（文末トークン）
-def formatting_prompts_func(examples):
-    input = examples["text"] # 入力データ
-    output = examples["output"] # 出力データ
-    text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成
-    return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す
-pass
-# # 各データにフォーマットを適用
-dataset = dataset.map(
-    formatting_prompts_func,
-    num_proc= 4, # 並列処理数を指定
-)
-dataset
-# データを確認
-print(dataset["train"]["formatted_text"][3])
-"""
-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=dataset["train"],
-    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 = 2e-4,
-        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("/content//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})
-  # jsonlで保存
-with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f:
-    for result in results:
-        json.dump(result, f, ensure_ascii=False)
-        f.write('\n')
-# LoRAアダプタだけ保存
-model.push_to_hub_merged(
-    new_model_id+"_lora",
-    tokenizer=tokenizer,
-    save_method="lora",
-    token=HF_TOKEN,
-    private=True
-)

+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')