Update README.md

README.md

@@ -20,3 +20,498 @@ language:
 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��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')