llm-jp-3-13b-it_lora

概要

東大松尾研講座LLM2024最終課題の成果物です。 実力に鑑みてサンプルコードを基にディスカッションスレッドで話題になったことをgoogle colab環境で実装してみることを心掛けました。 その中でデータセットichikawaのデータ取り込み量を増やすという試みがあり、リーダーボードではあまりスコアが出ないということが分かりましたが、 取り組みやすいということと、プライベートではむしろスコアが上がるかもしれないという希望があったのでこの成果を提出することとしました。

前提条件

google colab環境でichikara-instruction JSONファイルの入ったフォルダを用意しておきます。ただし、ichikara-instruction-003-002-1は除きます。 その他はサンプルコードと同じです。

!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 import torch if torch.cuda.get_device_capability()[0] >= 8: !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3" HF_TOKEN = "your token" #@param {type:"string"}

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 = "llm-jp/llm-jp-3-13b" new_model_id = "llm-jp-3-13b-it" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning model, tokenizer = FastLanguageModel.from_pretrained( model_name=model_id, dtype=dtype, load_in_4bit=load_in_4bit, trust_remote_code=True, ) 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, from datasets import load_dataset import os data_dir = "./Distribution20241221_all" files = os.listdir(data_dir)

JSONファイルのみを取得

json_files = [f"{data_dir}/{f}" for f in files if f.endswith(".json")]

データセットのロード

dataset = load_dataset("json", data_files=json_files, split="train") from datasets import load_dataset import os

ディレクトリパスの指定

data_dir = "./Distribution20241221_all" files = os.listdir(data_dir)

JSONファイルのみを取得

json_files = [f"{data_dir}/{f}" for f in files if f.endswith(".json")]

データセットのロード

dataset = load_dataset("json", data_files=json_files, split="train")

prompt = """### 指示 {} {}"""

EOS_TOKEN = "<|endoftext|>" # トークナイザーの実際のEOSトークンをここに設定

def formatting_prompts_func(examples): input_text = examples["text"] output_text = examples["output"] text = prompt.format(input_text, output_text) + EOS_TOKEN return {"formatted_text": text}

各データにフォーマットを適用

dataset = dataset.map(formatting_prompts_func, num_proc=4)

サンプル数を削減して train 用のサブセットを作成

train_dataset = dataset.select(range(1729))

DatasetDict を作成

dataset_dict = {"train": train_dataset}

from datasets import DatasetDict dataset = DatasetDict(dataset_dict)

from trl import SFTTrainer from transformers import TrainingArguments from unsloth import is_bfloat16_supported

trainer = SFTTrainer( model = model, tokenizer = tokenizer, train_dataset=dataset["train"], max_seq_length = max_seq_length, dataset_text_field="formatted_text", packing = False, args = TrainingArguments( per_device_train_batch_size = 2, gradient_accumulation_steps = 4, num_train_epochs = 1, logging_steps = 10, warmup_steps = 10, save_steps=100, save_total_limit=2, max_steps=-1, learning_rate = 5e-5, fp16 = not is_bfloat16_supported(), bf16 = is_bfloat16_supported(), group_by_length=True, seed = 3407, output_dir = "outputs", report_to = "none", ), ) #@title 学習実行 trainer_stats = trainer.train() import json datasets = [] with open("/content//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 = "" from tqdm import tqdm

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}) 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') model.push_to_hub_merged( new_model_id+"_lora", tokenizer=tokenizer, save_method="lora", token=HF_TOKEN, private=True )