llm-jp-3-13b-finetune

LLM-JP-3-13B ファインチューニングモデル

モデル詳細

ベースモデル: llm-jp/llm-jp-3-13b
アダプターモデル: KeWE90210/llm-jp-3-13b-finetune
量子化: 4ビット量子化 (QLoRA)

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。

   !pip install -U bitsandbytes
   !pip install -U transformers
   !pip install -U accelerate
   !pip install -U datasets
   !pip install -U pef
   !pip install ipywidgets --upgrade
   

2. Hugging Faceのトークンを取得していることを確認してください。以下はGoogle Colabでuserdataを使う例です（実行環境に合わせて適宜変更してください）。

   from google.colab import userdata
   HF_TOKEN = userdata.get('HF_TOKEN')
   

モデル・トークナイザの読み込み

import torch
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
from peft import PeftModel
import json
from tqdm import tqdm
import re

model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "KeWE90210/llm-jp-3-13b-finetune"

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

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

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token=HF_TOKEN)

# Peftモデルを適用
model = PeftModel.from_pretrained(model, adapter_id, 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。

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

results = []
for data in tqdm(datasets):
    input_data = data["input"]

    prompt = f"""### 指示
{input_data}
### 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=200,
            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)
    
    # 結果を保存
    results.append({
        "input": input_data,
        "output": output
    })

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。

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)
        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。