llm-jp-3-13b-finetune-4bit

Model Card for Model ID

<!-- Provide a quick summary of what the model is/does. -->

llm-jp-3-13bモデルをichikaraデータセットでSFTしたモデルです。<br> アップロードされているファイルはLoraアダプタのみです。<br> HF_TOKEN, WB_TOKENはご自身のものに書き換えてください。<br>

How to Get Started with the Model

• Jupyter Notebook Training-Inference-code.ipynb
• Training Dataset ichikara-instruction-003-merge.json
• Test Dataset ELYZA-tasks-100-TV (not included)

File Tree

/workspace
  |--Training-Inference-code.ipynb
  |--models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a
  |--ichikara-instruction-003-merge.json
  `--elyza-tasks-100-TV_0.jsonl

Usage

Execute following code in Google Colab

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

from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel
import torch
import bitsandbytes as bnb # bitsandbytesをインポート
import json
import re
from tqdm import tqdm
from sklearn.metrics import f1_score

# ベースモデルとLoRAアダプタのID
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "chocopan/llm-jp-3-13b-finetune-4bit"

# トークナイザーのロード
tokenizer = AutoTokenizer.from_pretrained(model_id)

# モデルのロード (4bit量子化)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    load_in_4bit=True, # 4bit量子化を有効にする
    bnb_4bit_use_double_quant=True, # double quantizationを使用 (さらにメモリ効率を高める)
    bnb_4bit_quant_type="nf4", # 量子化のタイプ (NF4が推奨)
    torch_dtype=torch.bfloat16, # bfloat16を使用
    device_map="auto" # デバイスマップ
)

# LoRAアダプタのロード
model = PeftModel.from_pretrained(model, adapter_id)
model.eval()

# タスクとなるデータの読み込み。
# 事前にデータをアップロードしてください。
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 = ""


# 推論の実行
results = []
for dt in tqdm(datasets):
    input_text = dt["input"]
    prompt = f"""### 指示
    {input}
    ### 回答
    """
    inputs = tokenizer([prompt], return_tensors="pt").to(model.device)
    # Remove token_type_ids from inputs if present
    if "token_type_ids" in inputs:
        del inputs["token_type_ids"]  
    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]
    prediction = re.sub(r"[*#]", "", prediction).strip() # 前後の空白を削除
    results.append({
        "task_id": dt.get("task_id", None), # task_idがない場合への対応
        "input": input_text,
        "prediction": prediction,
        "expected": dt.get("output", None) # 期待データ
    })

# 評価
exact_match_count = 0
total_count = 0
f1_scores = []

for result in results:
    if result["expected"] is None: # 期待データがない場合はスキップ
        continue

    total_count += 1
    expected = result["expected"].strip() # 前後の空白を削除
    prediction = result["prediction"].strip() # 前後の空白を削除

    if prediction == expected:
        exact_match_count += 1

    # F1スコアの計算 (単語単位)
    expected_words = expected.split()
    prediction_words = prediction.split()

    if len(expected_words) == 0 and len(prediction_words) == 0:
        f1 = 1.0 # 両方空の場合は1.0
    elif len(expected_words) == 0 or len(prediction_words) == 0:
        f1 = 0.0 # 片方が空の場合は0.0
    else:
        f1 = f1_score(expected_words, prediction_words, average='micro') # 単語単位のF1スコア
    f1_scores.append(f1)

# 評価結果の出力
exact_match_rate = exact_match_count / total_count if total_count > 0 else 0
average_f1 = sum(f1_scores) / len(f1_scores) if len(f1_scores) > 0 else 0

print(f"Exact Match Rate: {exact_match_rate:.4f}")
print(f"Average F1 Score: {average_f1:.4f}")

# 結果をjsonlで保存 (評価結果も追加)
json_file_id = re.sub(".*/", "", adapter_id)
with open(f"/content/{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        result["exact_match"] = 1 if result["prediction"].strip() == result["expected"].strip() else 0 if result["expected"] is not None else None
        f.write(json.dumps(result, ensure_ascii=False) + '\n')

Training Details

training_arguments = TrainingArguments(
    output_dir=new_model_id,
    per_device_train_batch_size=1,
    gradient_accumulation_steps=2,
    optim="paged_adamw_32bit",
    num_train_epochs=2,
    logging_strategy="steps",
    logging_steps=10,
    warmup_steps=10,
    save_steps=100,
    save_total_limit = 2,
    max_steps = -1,
    learning_rate=5e-5,
    fp16=False,
    bf16=True,
    seed = 1001,
    group_by_length=True,
    report_to="wandb"
)

Training Results

Training Time: 5:52:48<br> Total steps: 6030 steps<br> Epoch: 2<br>

<div style="width: auto; margin-left: auto; margin-right: auto"> <img src="train.jpg" alt="Train" style="width: 100%; min-width: 400px; display: block; margin: auto;"> </div>

Training Dataset

<!-- This should link to a Dataset Card, perhaps with a short stub of information on what the training data is all about as well as documentation related to data pre-processing or additional filtering. -->

• LMのための日本語インストラクションデータ(ichikara-instruction) 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/ 関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)<br>

上記datasetをすべてマージし、IDを連番になるよう振りなおしています。<br> LICENCE: CC-BY-NC-SA<br>

Hardware

Google Cloud Platform<br> L4 GPU 24GB<br> RAM 48GB<br>

Software

transformers==4.46.3<br> trl==0.12.2<br> Others: latast<br>