llm-jp-3-13b-finetune

大規模言語モデル2024Fall 最終課題コンペ用 Fine-tuning モデル

このモデルは、東京大学主催の大規模言語モデル2024Fallの最終課題コンペにおいて llm-jp/llm-jp-3-13b に対しで Supervised Fine-tuning (SFT) を実施したモデルです。推論での使いかたは以下を参照ください。なお、以下のコードは、Omnicanpus 状で準備されたGPU環境での実行を想定しています。　

ベースモデル: llm-jp/llm-jp-3-13b
SFT: Instruction Tuning
SFTに利用したデータセット: ichikara-instruction-003-001-1.json
(ref. 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/)
量子化: 4ビット量子化 (QLoRA)

必要なパッケージのインストールとモジュールのロード：

!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft
!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(少なくともRead権限のもの)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モデルのアダプタを指定：

model_id = "llm-jp/llm-jp-3-13b" 
adapter_id = "TaiTai2009/llm-jp-3-13b-finetune" 

モデル・トークナイザの読み込み：

# 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
)
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)

# 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)

入力データの準備

# 課題となるタスクファイル ./elyza-tasks-100-TV_0.jsonl からデータセットをロード。
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 = ""

推論の実施

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})

推論結果をJSONL形式でファイルに保存（課題として提出）

(本コードではinputとeval_aspectも含んでいるが、なくても問題なし。必須なのはtask_idとoutputのみ、カレントディレクトリに作成されるので、ランタイム再起動するとJSONLファイルが消えてしまうことに注意。)

import re
import time

# タイムスタンプを生成
timestamp = time.strftime("%Y%m%d-%H%M%S")

jsonl_id = re.sub(".*/", "", adapter_id)
with open(f"./{jsonl_id}-outputs-{timestamp}.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')

print(f"Results saved to {./{jsonl_id}-outputs-{timestamp}.jsonl}")

ライセンス・利用規約

本モデルは学習に利用したデータの関係で以下のライセンスの影響を受けます。

• Apache License, Version 2.0 (https://huggingface.co/llm-jp/llm-jp-3-13b) を継承します。
• ichikara-instruction データは申請のうえ取得し、CC-BY-NC-SA条項に従い加工しています。本モデルを再配布・使用される方は、データのライセンスにも留意してください。
• 本モデルはベースモデルllm-jp/llm-jp-3-13bおよびichikara-instructionデータ(要申請)を用いてSFTされています。 ベースモデルおよび使用データのライセンス条件を遵守してください。(CC-BY-NC-SAなど) 本モデルから生成される文章の内容に関して、開発者は一切の責任を負いません。利用者の責任でご利用ください。
• 商用利用はできません。研究・学習用途のみです。

以上