---
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:** ppapppapppap
- **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)


# 概要

[松尾研大規模言語モデル講座2024](https://weblab.t.u-tokyo.ac.jp/lecture/course-list/large-language-model/)のコンペ用の提出モデル作成の一環として作成・公開しています。

Hugging Face上のモデル(llm-jp/llm-jp-3-13b)を4bit量子化したモデルです。

学習データ等の詳細については元モデルの概要をご確認ください。

以下に、上記のモデルを用いて入力データ（elyza-tasks-100-TV_0.jsonl）を推論し、その結果を.jsonlのファイル形式で出力するコードを記します。


# 前提条件

- Python環境があること（例：Google Colab）
- Hugging Faceのアクセストークン (HF_TOKEN) が取得済みであること


# セットアップ

1. 必要なライブラリのインストールを行います。

  ```bash
  !pip install -U bitsandbytes
  !pip install -U transformers
  !pip install -U accelerate
  !pip install -U datasets
  !pip install ipywidgets --upgrade
  ```


# 使用方法

以下は、Google Colabにて実行する際のモデルの基本的な使用例です

```python
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
import torch
from tqdm import tqdm
import json

# Hugging Faceで取得したTokenをこちらに貼る。
HF_TOKEN = "your-token"

# 自分の作成したモデルのIDをこちらに貼る。
model_name = "your_HuggingFace_username/llm-jp-3-13b-your_model_name"

# QLoRA用の設定
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=False,
)

# モデルの読み込み
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

# トークナイザの読み込み
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True, token = HF_TOKEN)
```

# 入力データの準備

`./elyza-tasks-100-TV_0.jsonl`というファイルからデータセットをロードします。


```
# データセットの読み込み。
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 = ""
```


# 推論の実行

```
results = []
for data in tqdm(datasets):

  input = data["input"]

  prompt = f"""### 指示
  {input}
  ### 回答：
  """

  tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
  with torch.no_grad():
      outputs = model.generate(
          tokenized_input,
          max_new_tokens=100,
          do_sample=False,
          repetition_penalty=1.2
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

# 結果を保存
  results.append({"task_id": data["task_id"], "input": input, "output": output})
```



# 出力の保存

最後に、model_nameをベースにしたファイル名で.jsonl形式の出力ファイルを保存します。

```
import re
model_name = re.sub(".*/", "", model_name)
with open(f"./{model_name}-outputs.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)  # ensure_ascii=False for handling non-ASCII characters
        f.write('\n')
```

以上の手順で、`{model_name}-outputs.jsonl`というファイルに推論結果が書き出されます。