poko75/llm-jp-3-13b-it-addEZYZA100

Uploaded model

• Developed by: poko75
• 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.

概要

• 当初配布されていたサンプルプログラム「Model_Inference_Template_unsloth.ipynb」とほぼ同じです。
• サンプルプログラムに対してモデル名などを次のとおり変更しています。
  model_name = "poko75/llm-jp-3-13b-it-EZYZA100"
  max_new_tokens = 2048
• Google Colab T4 GPUにて動作確認済です。

プログラムの利用方法

• 使用にあたって、以下を変更してください。
  　token = "XXXXXXX"
  　この「XXXXXXX」部分を、ご自身のトークンに置き換えてください。

• elyza-tasks-100-TV_0.jsonlを同じディレクトリに配置してください。

• 以下のとおりライブラリをインストールしてください。Google Colabでは、推論用のソースコードを.ipynb形式で保存し、実行することで、自動的にインストールされます。
  !pip install unsloth
  !pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

• 推論用のソースコードを示します。（Google Colab T4　GPUにて動作確認済）

# 推論用コード
# Hugging Faceにアップロードしたモデルを用いてELYZA-tasks-100-TVの出力を得るためのコードです。  
# 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。

# Commented out IPython magic to ensure Python compatibility.
%%capture
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

from unsloth import FastLanguageModel
import torch
import json

# model_name = "あなたがFine-Tuningしたモデルの名前(パス)"
model_name = "poko75/llm-jp-3-13b-it-EZYZA100"

max_seq_length = 2048
dtype = None
load_in_4bit = True

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = model_name,
    max_seq_length = max_seq_length,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    token = "XXXXXXX",
)
FastLanguageModel.for_inference(model)

# 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。
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 = ""

from tqdm import tqdm
# 推論
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 = 2048, 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})

  print(prediction)

import re
renamed_model_name = re.sub(r'[^/]+/', '', model_name)
renamed_model_name

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