|
--- |
|
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:** tatsuuuu |
|
- **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) |
|
|
|
# 実行したコード |
|
|
|
# python 3.10.12 |
|
!pip install -U pip |
|
!pip install -U transformers |
|
!pip install -U bitsandbytes |
|
!pip install -U accelerate |
|
!pip install -U datasets |
|
!pip install -U peft |
|
!pip install -U trl |
|
!pip install -U wandb |
|
!pip install ipywidgets --upgrade |
|
|
|
from transformers import ( |
|
AutoModelForCausalLM, |
|
AutoTokenizer, |
|
BitsAndBytesConfig, |
|
TrainingArguments, |
|
logging, |
|
) |
|
from peft import ( |
|
LoraConfig, |
|
PeftModel, |
|
get_peft_model, |
|
) |
|
import os, torch, gc |
|
from datasets import load_dataset |
|
import bitsandbytes as bnb |
|
from trl import SFTTrainer |
|
|
|
# Hugging Face Token |
|
HF_TOKEN = "write権限のあるトークン" |
|
|
|
# モデルを読み込み。 |
|
# llm-jp-3 1.8B, 3.7B, 13Bのsnapshotをダウンロード済みでmodelsディレクトリに格納してあります。 |
|
# base_model_idの値はomnicampusの環境におけるモデルのパスを表しており、それ以外の環境で実行する場合は変更の必要があります。 |
|
# その他のモデルは取得に承諾が必要なため、各自でダウンロードお願いします。 |
|
base_model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a" #Fine-Tuningするベースモデル |
|
# omnicampus以外の環境をご利用の方は以下をご利用ください。 |
|
# base_model_id = "llm-jp/llm-jp-3-13b" |
|
new_model_id = "llm-jp-3-13b-finetune" #Fine-Tuningしたモデルにつけたい名前 |
|
|
|
""" |
|
bnb_config: 量子化の設定 |
|
|
|
- load_in_4bit: |
|
- 4bit量子化形式でモデルをロード |
|
|
|
- bnb_4bit_quant_type: |
|
- 量子化の形式を指定 |
|
|
|
- bnb_4bit_compute_dtype: |
|
- 量子化された重みを用いて計算する際のデータ型 |
|
|
|
""" |
|
|
|
bnb_config = BitsAndBytesConfig( |
|
load_in_4bit=True, |
|
bnb_4bit_quant_type="nf4", # nf4は通常のINT4より精度が高く、ニューラルネットワークの分布に最適です |
|
bnb_4bit_compute_dtype=torch.bfloat16, |
|
) |
|
|
|
""" |
|
model: モデル |
|
|
|
- base_model: |
|
- 読み込むベースモデル (事前に定義したもの) |
|
|
|
- quantization_config: |
|
- bnb_configで設定した量子化設定 |
|
|
|
- device_map: |
|
- モデルを割り当てるデバイス (CPU/GPU) "auto"で自動に割り当てられます。 |
|
|
|
tokenizer: トークナイザー |
|
|
|
- base_model: |
|
- 読み込むベースモデル (事前に定義したもの) |
|
|
|
- trust_remote_code: |
|
- リモートコードの実行を許可 (カスタムモデルなど) |
|
""" |
|
model = AutoModelForCausalLM.from_pretrained( |
|
base_model_id, |
|
quantization_config=bnb_config, |
|
device_map="auto" |
|
) |
|
|
|
tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True) |
|
|
|
""" |
|
find_all_linear_names: モデル内の4bit量子化線形層を探します。 |
|
""" |
|
|
|
def find_all_linear_names(model): |
|
cls = bnb.nn.Linear4bit # 4bit量子化線形層クラスを指定 |
|
lora_module_names = set() # ここに取得した線形層を保持します。 |
|
|
|
# モデル内の全てのモジュールを探索します |
|
for name, module in model.named_modules(): |
|
if isinstance(module, cls): # モジュールが4bit量子化線形層の場合 |
|
names = name.split('.') # モジュールの名前を分割 (ネストされてる際などに対処) |
|
lora_module_names.add(names[0] if len(names) == 1 else names[-1]) # 最下層の名前をlora_module_namesに追加 |
|
|
|
# 'lm_head' は16ビット演算の際に除外する必要があるため、lora_module_namesから削除 |
|
if 'lm_head' in lora_module_names: |
|
lora_module_names.remove('lm_head') |
|
|
|
return list(lora_module_names) # lora_module_namesをリストに変換して返します。 |
|
|
|
modules = find_all_linear_names(model) |
|
|
|
""" |
|
peft_config: PEFTの構成設定 |
|
|
|
- r |
|
- LoRA のランク (4, 8, 16 ,32...) |
|
- 増やすほど学習が捗るが, 過学習のリスクも高まるので注意 |
|
|
|
- lora_alpha |
|
- LoRAのスケーリング係数 |
|
|
|
- lora_dropout |
|
- ドロップアウト率（過学習を防ぐための割合） |
|
|
|
- bias |
|
- バイアス項の扱い ("none"の場合、LoRAはバイアスを学習しない) |
|
|
|
- task_type |
|
- タスクタイプ |
|
|
|
- target_modules |
|
- LoRAを適用するターゲットモジュール (前のコードで特定した層) |
|
""" |
|
|
|
peft_config = LoraConfig( |
|
r=16, |
|
lora_alpha=32, |
|
lora_dropout=0.05, |
|
bias="none", |
|
task_type="CAUSAL_LM", |
|
target_modules=modules, |
|
) |
|
|
|
model = get_peft_model(model, peft_config) |
|
|
|
""" |
|
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。 |
|
|
|
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) |
|
|
|
""" |
|
|
|
dataset = load_dataset("json", data_files="./ichikara-instruction-003-001-1.json") |
|
dataset |
|
|
|
# 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]) |
|
|
|
# データをtrainデータとtestデータに分割 (test_sizeの比率に) |
|
# dataset = dataset["train"].train_test_split(test_size=0.1) |
|
# dataset |
|
|
|
""" |
|
training_arguments: 学習の設定 |
|
|
|
- output_dir: |
|
-トレーニング後のモデルを保存するディレクトリ |
|
|
|
- per_device_train_batch_size: |
|
- デバイスごとのトレーニングバッチサイズ |
|
|
|
- per_device_ |
|
_batch_size: |
|
- デバイスごとの評価バッチサイズ |
|
|
|
- gradient_accumulation_steps: |
|
- 勾配を更新する前にステップを積み重ねる回数 |
|
|
|
- optim: |
|
- オプティマイザの設定 |
|
|
|
- num_train_epochs: |
|
- エポック数 |
|
|
|
- eval_strategy: |
|
- 評価の戦略 ("no"/"steps"/"epoch") |
|
|
|
- eval_steps: |
|
- eval_strategyが"steps"のとき、評価を行うstep間隔 |
|
|
|
- logging_strategy: |
|
- ログ記録の戦略 |
|
|
|
- logging_steps: |
|
- ログを出力するステップ間隔 |
|
|
|
- warmup_steps: |
|
- 学習率のウォームアップステップ数 |
|
|
|
- save_steps: |
|
- モデルを保存するステップ間隔 |
|
|
|
- save_total_limit: |
|
- 保存しておくcheckpointの数 |
|
|
|
- max_steps: |
|
- トレーニングの最大ステップ数 |
|
|
|
- learning_rate: |
|
- 学習率 |
|
|
|
- fp16: |
|
- 16bit浮動小数点の使用設定（第8回演習を参考にすると良いです） |
|
|
|
- bf16: |
|
- BFloat16の使用設定 |
|
|
|
- group_by_length: |
|
- 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化) |
|
|
|
- report_to: |
|
- ログの送信先 ("wandb"/"tensorboard"など) |
|
""" |
|
|
|
training_arguments = TrainingArguments( |
|
output_dir=new_model_id, |
|
per_device_train_batch_size=1, |
|
gradient_accumulation_steps=2, |
|
optim="paged_adamw_32bit", |
|
num_train_epochs=1, |
|
logging_strategy="steps", |
|
logging_steps=10, |
|
warmup_steps=10, |
|
save_steps=100, |
|
save_total_limit = 2, |
|
max_steps = -1, |
|
learning_rate=5e-5, |
|
fp16=False, |
|
bf16=False, |
|
seed = 3407, |
|
group_by_length=True, |
|
report_to="none" |
|
) |
|
|
|
""" |
|
SFTTrainer: Supervised Fine-Tuningに関する設定 |
|
|
|
- model: |
|
- 読み込んだベースのモデル |
|
|
|
- train_dataset: |
|
- トレーニングに使用するデータセット |
|
|
|
- eval_dataset: |
|
- 評価に使用するデータセット |
|
|
|
- peft_config: |
|
- PEFT（Parameter-Efficient Fine-Tuning）の設定（LoRAを利用する場合に指定） |
|
|
|
- max_seq_length: |
|
- モデルに入力されるシーケンスの最大トークン長 |
|
|
|
- dataset_text_field: |
|
- データセット内の学習に使うテキストを含むフィールド名 |
|
|
|
- tokenizer: |
|
- モデルに対応するトークナイザー |
|
|
|
- args: |
|
- トレーニングに使用するハイパーパラメータ（TrainingArgumentsの設定を指定） |
|
|
|
- packing: |
|
- 入力シーケンスのパッキングを行うかどうかの設定 (False に設定することで、各入力を独立して扱う) |
|
""" |
|
trainer = SFTTrainer( |
|
model=model, |
|
train_dataset=dataset["train"], |
|
peft_config=peft_config, |
|
max_seq_length= 512, |
|
dataset_text_field="formatted_text", |
|
tokenizer=tokenizer, |
|
args=training_arguments, |
|
packing= False, |
|
) |
|
|
|
model.config.use_cache = False # キャッシュ機能を無効化 |
|
trainer.train() # トレーニングを実行 |
|
|
|
# タスクとなるデータの読み込み。 |
|
# 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("./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 = "" |
|
|
|
# モデルによるタスクの推論。 |
|
from tqdm import tqdm |
|
|
|
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) |
|
attention_mask = torch.ones_like(tokenized_input) |
|
|
|
with torch.no_grad(): |
|
outputs = model.generate( |
|
tokenized_input, |
|
attention_mask=attention_mask, |
|
max_new_tokens=100, |
|
do_sample=False, |
|
repetition_penalty=1.2, |
|
pad_token_id=tokenizer.eos_token_id |
|
)[0] |
|
output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True) |
|
|
|
results.append({"task_id": data["task_id"], "input": input, "output": output}) |
|
|
|
# こちらで生成されたjsolを提出してください。 |
|
# 本コードではinputとeval_aspectも含んでいますが、なくても問題ありません。 |
|
# 必須なのはtask_idとoutputとなります。 |
|
import re |
|
jsonl_id = re.sub(".*/", "", new_model_id) |
|
with open(f"./{jsonl_id}-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') |
|
|
|
# モデルとトークナイザーをHugging Faceにアップロード |
|
model.push_to_hub(new_model_id, token=HF_TOKEN, private=True) # Online saving |
|
tokenizer.push_to_hub(new_model_id, token=HF_TOKEN, private=True) # Online saving |
|
|
|
# 推論用コード |
|
!pip install -U bitsandbytes |
|
!pip install -U transformers |
|
!pip install -U accelerate |
|
!pip install -U datasets |
|
!pip install -U peft |
|
|
|
# notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり） |
|
!pip install ipywidgets --upgrade |
|
|
|
from transformers import ( |
|
AutoModelForCausalLM, |
|
AutoTokenizer, |
|
BitsAndBytesConfig, |
|
) |
|
from peft import PeftModel |
|
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 = "Hugging Face Token" |
|
|
|
# ベースとなるモデルと学習したLoRAのアダプタ。 |
|
# model_idの値はomnicampusの環境におけるモデルのパスを表しており、それ以外の環境で実行する場合は変更の必要があります。 |
|
model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a" |
|
# omnicampus以外の環境をご利用の方は以下をご利用ください。 |
|
# base_model_id = "llm-jp/llm-jp-3-13b" |
|
adapter_id = "" # こちらにアップロードしたHugging FaceのIDを指定してください。 |
|
|
|
# QLoRA config |
|
bnb_config = BitsAndBytesConfig( |
|
load_in_4bit=True, |
|
bnb_4bit_quant_type="nf4", |
|
bnb_4bit_compute_dtype=torch.bfloat16, |
|
) |
|
|
|
# Load model |
|
model = AutoModelForCausalLM.from_pretrained( |
|
model_id, |
|
quantization_config=bnb_config, |
|
device_map="auto", |
|
token = HF_TOKEN |
|
) |
|
|
|
# Load tokenizer |
|
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN) |
|
|
|
# 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) |
|
|
|
# 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 = "" |
|
|
|
# gemma |
|
results = [] |
|
for data in tqdm(datasets): |
|
|
|
input = data["input"] |
|
prompt = f"""### 指示 |
|
{input} |
|
### 回答 |
|
""" |
|
|
|
input_ids = tokenizer(prompt, return_tensors="pt").to(model.device) |
|
outputs = model.generate(**input_ids, max_new_tokens=512, do_sample=False, repetition_penalty=1.2,) |
|
output = tokenizer.decode(outputs[0][input_ids.input_ids.size(1):], skip_special_tokens=True) |
|
|
|
results.append({"task_id": data["task_id"], "input": input, "output": output}) |
|
|
|
|
|
# llmjp |
|
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) |
|
attention_mask = torch.ones_like(tokenized_input) |
|
with torch.no_grad(): |
|
outputs = model.generate( |
|
tokenized_input, |
|
attention_mask=attention_mask, |
|
max_new_tokens=100, |
|
do_sample=False, |
|
repetition_penalty=1.2, |
|
pad_token_id=tokenizer.eos_token_id |
|
)[0] |
|
output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True) |
|
|
|
results.append({"task_id": data["task_id"], "input": input, "output": output}) |
|
|
|
# こちらで生成されたjsolを提出してください。 |
|
# 本コードではinputとeval_aspectも含んでいますが、なくても問題ありません。 |
|
# 必須なのはtask_idとoutputとなります。 |
|
import re |
|
jsonl_id = re.sub(".*/", "", adapter_id) |
|
with open(f"./{jsonl_id}-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') |
|
|
