Uploaded model
- Developed by: u-10bei
- 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.
実行手順
以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + u-10bei/llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa)を用いて入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、その結果を{adapter_id}-outputs.jsonlというファイルに出力できます。
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 必要なライブラリのインストールを行います。 以下は、Google Colabでの実行例です。
!pip uninstall unsloth -y
!pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --upgrade torch
!pip install --upgrade xformers
# Google Colab シークレットを使う場合、左のサイドバーより🔑マークをクリック
# 任意の名前で Value に Hugging Face Token を入れてください。
# ノートブックからのアクセスのトグルをオンにし、下記コードを実行してください。
from google.colab import userdata
HF_TOKEN = userdata.get('{シークレットキー}') #シークレットキーの名前を入力
# llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。
from unsloth import FastLanguageModel
import torch
max_seq_length = 512 # unslothではRoPEをサポートしているのでコンテキスト長は自由に設定可能
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_id = "u-10bei/llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa"
# FastLanguageModel インスタンスを作成
model, tokenizer = FastLanguageModel.from_pretrained(
model_name=model_id,
dtype=dtype,
load_in_4bit=load_in_4bit,
trust_remote_code=True,
)
# SFT用のモデルを用意
model = FastLanguageModel.get_peft_model(
model,
r = 32,
target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
"gate_proj", "up_proj", "down_proj",],
lora_alpha = 32,
lora_dropout = 0.05,
bias = "none",
use_gradient_checkpointing = "unsloth",
random_state = 3407,
use_rslora = False,
loftq_config = None,
max_seq_length = max_seq_length,
)
# 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。
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 = ""
# 推論実行
from tqdm import tqdm
# 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})
new_model_id = "llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa"
# 出力の保存
# 最後に、adapter_id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。
with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f:
for result in results:
json.dump(result, f, ensure_ascii=False)
f.write('\n')
以上の手順で、{adapter_id}-outputs.jsonlというファイルに推論結果が書き出されます。
Model tree for u-10bei/llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa
Base model
llm-jp/llm-jp-3-13b