|
--- |
|
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:** fuwafuwa012 |
|
- **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) |
|
|
|
|
|
code version 2 |
|
本コードは，elyza-tasks-100-TV_0.jsonlの回答のための推論用コードです。 |
|
|
|
""" |
|
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 = 64, |
|
lora_dropout = 0.10, |
|
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]) |
|
|
|
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) |
|
outputs = model.generate( |
|
**inputs, |
|
max_new_tokens=512, |
|
temperature=0.7, |
|
top_p=0.9, |
|
repetition_penalty=1.2, |
|
use_cache=True, |
|
do_sample=True |
|
) |
|
|
|
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') |
|
|
|
"""モデルとトークナイザーをHugging Faceにアップロードします。 |
|
本コードではLoRAのアダブタのみを保存します。 |
|
このアダプタを用いた推論方法はModel_Inference_Template_unsloth_20241127.ipynbをご参照ください。 |
|
|
|
一旦privateでアップロードしてください。 |
|
https://docs.unsloth.ai/basics/saving-and-using-models |
|
""" |
|
|
|
# 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 |
|
) |
|
""" |
|
|
|
|
|
|
|
unslothのサンプルコードのハイパーパラメーターの値を変更して学習させたモデルになっています。 |
|
変更点としては，以下の通りです。 |
|
lora_alphaの値を64として正規化項を増やす。 |
|
lora_dropoutを0.10としてdropoutを上昇させる。 |
|
学習率を1e-5と上昇。 |
|
出力に対して，do_sample=True と temperature や top_p を加えることで出力の多様性を向上しました。 |
|
|
|
|
|
|
