llm-model-for-llm-2024-final-work

Model Card for Model ID

LLM2024の最終課題用に作成したモデルです。

Model Details

• Developed by: 　Kazuki Aoyama
• Model type: Transformer-based Language Model
• License: CC-BY-NC-SA

このモデルは、「ichikara-instruction-003-001-1.json」を使用して作成されました。データセットは理化学研究所によって作成され、CC-BY-NC-SAライセンスの下で提供されています。元のデータセットは「LLMのための日本語インストラクションデータ 公開ページ」で入手可能です。このモデルもCC-BY-NC-SAライセンスの下で提供されています。

実行方法

準備

• このコードを実行するフォルダに、課題のjsonlファイル（elyza-tasks-100-TV_0.jsonl）を配置してください。

コード

パッケージのインストール

!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft

以下のパッケージは、notebookでのインタラクティブな表示を可能としますが、上手く動作しない場合があります。

!pip install ipywidgets --upgrade

パッケージのインポート

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

こちらでHugging FaceのTokenを取得して以下に代入します。

HF_TOKEN = "＜Hugging Faceの Token＞"

ベースモデルと、学習したLoRAのアダプタを指定します。

base_model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "KuroRororon/llm-model-for-llm-2024-final-work"

QLoRA configを指定します。

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

ベースモデルとトークナイザーをロードします。

model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

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

元のモデルにLoRAのアダプタを結合します。

model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

評価用のデータセットを読み込みます。

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 = ""

モデルを使って、推論を実行します。

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})

コード実行フォルダに出力のjsonlファイルが生成されます。

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')