Downloads · 30 days
0
0% of all-time downloads
katzai/llm-jp-3-13b-finetune-katzai
llm-jp-3-13b-finetune-katzai is a text generation model from katzai. Use it when you need the model to write or continue text. It is set up for transformers. The card lists the license as apache-2.0.
国立情報学研究所の大規模言語モデル研究開発センターが開発した大規模言語モデル( llm-jp-3-13b )をベースにファインチューニングを行ったLoRAアダプターです。
Downloads · 30 days
0
0% of all-time downloads
All-time downloads
4
Public
Repo size
250 MB
Likes
0
Public
Click a slice to open those files.
.safetensors250 MB · 98%
From the Hugging Face model README
国立情報学研究所の大規模言語モデル研究開発センターが開発した大規模言語モデル( llm-jp-3-13b )をベースにファインチューニングを行ったLoRAアダプターです。
東京大学の2024LLM応用講座( https://weblab.t.u-tokyo.ac.jp/lecture/course-list/large-language-model/ )の最終課題用としてファインチューニングしたLoRAアダプターになります。
pip install -U bitsandbytes
pip install -U transformers
pip install -U accelerate
pip install -U datasets
pip install -U peft
from transformers import (
AutoModelForCausalLM,
AutoTokenizer,
BitsAndBytesConfig,
)
from peft import PeftModel
import torch
from tqdm import tqdm
import json
HF_TOKEN = "{★Hugging FaceのToken★}"
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "katzai/llm-jp-3-13b-finetune-katzai"
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
)
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
datasets = []
with open("{★JSON Lines形式のファイル★}", "r") as f:
item = ""
for line in f:
line = line.strip()
item += line
if item.endswith("}"):
datasets.append(json.loads(item))
item = ""
{"task_id":0, "input":"仕事の熱意を取り戻すための100のアイデアを5つ挙げてください。"}
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})
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)
f.write('\n')
モデルは、次のデータセットでファインチューニングされています。
| 言語 | データセット | 概要 |
|---|---|---|
| 日本語 | ichikara-instruction-003-001-1 | LLMのための日本語インストラクションデータ |
このモデルは講座の課題提出用であるため、出力が人間の意図と安全性の考慮事項と一致するように調整されていません。
Katsunori Hata