kkhss2024/llm-jp-3-13b-finetune-uns3_lora

Uploaded model

• Developed by: kkhss2024
• 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.

大規模言語モデル2024の課題としての説明

ファインチューニングの方法

・unslothによるファインチューニングを行う。

・ベースモデルには、llm-jp-3-13b。gemma-2-9bは時間の都合で見送り。

・ハイパーパラメータなどほかのテクニックは時間の都合で見送り。

データ拡張

・限られた時間、マシンリソースを鑑み、初手で精度向上に効果が大きいのは適切なデータ拡張と考え、以下のアイデアを実行。

・問題文のクラスタリングを行い、小さいクラスタのAugmentationを行う（リソースに対して大量に問題文がある場合は、大きいクラスタのレコード数を減らす）ことで話題の偏りを補正する。

・クラスタリングは、問題文ごとに名詞のみのTF-IDFベクトルを作成し、そのベクトルをk-meansでクラスタリングした。文章のEmbeddingは、時間、マシンリソースの都合で見送った。

データ

・学習データには、ichikara-instruction-003-001-1.jsonのクラスタリング結果の中で少ないクラスタの類似文をChatGPTのアシストにより作成して追加することを試した。しかし、精度が落ちたことと、追加候補文の手動修正には時間的に限界があるので深追いはせずに以下の方法に切り替えた。

・他の参加者が公開してくださったhttps://huggingface.co/datasets/DeL-TaiseiOzaki/Tengentoppa-sft-v1.0 　の問題文のクラスタリング結果で、各クラスタから同数のレコードサンプリングによる追加を実施。（20クラスタから50レコード=1000レコードをichikara-instruction-003-001-1.jsonに追加して学習。この結果のモデルを提出）

使い方

# 必要なライブラリをインストール
!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 = "kkhss2024/llm-jp-3-13b-finetune-uns3_lora"

HF_TOKEN = ""

# 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})


# 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}_output2.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')