Update README.md

README.md

@@ -24,7 +24,6 @@ This llama model was trained 2x faster with [Unsloth](https://github.com/unsloth
 ----------
 以下は、elyza-tasks-100-TV_0の回答のためのコードです。
 
-①Fine-tuning用コード
 ```python
 # -*- coding: utf-8 -*-
 """LoRA_template_unsloth_20241127.ipynb
@@ -341,103 +340,4 @@ model.push_to_hub_merged(
     token=HF_TOKEN,
     private=True
 )
-```
-
-②推論用コード
-```python
-# -*- coding: utf-8 -*-
-"""Model_Inference_Template_unsloth_20241127.ipynb
-
-Automatically generated by Colab.
-
-Original file is located at
-    https://colab.research.google.com/drive/1qRChXRT-qm94rl5roqgrjSxlK5_A9MlI
-
-# 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。
-Omnicampus向けのコードは別途用意しております。
-"""
-
-# Commented out IPython magic to ensure Python compatibility.
-# # 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 = "" #@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')
 ```