llm-jp-3-13b-finetune2

llm-jp-3-13b-finetune2

このモデルは、東大松尾研LLM応用講座の最終課題コンペで モデルのファインチューニングを実行するために作成したテンプレートです。
Unsloth を活用し、Google Colab（無料版） や T4 GPU などで動作可能な構成となっています。

特徴

• 対応モデル: llm-jp/llm-jp-3-13b などの事前学習済みモデル
• LoRAアダプタの保存: LoRAアダプタのみを保存し、推論時に再利用可能
• 推奨環境: Google Colab（無料版）

環境構築

Google Colab 環境での例

以下のコードを実行し、Unslothや関連ライブラリをインストールしてください。

!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
# notebookでインタラクティブ表示を可能にする（うまく動かない場合があります）
!pip install ipywidgets --upgrade

# Install Flash Attention 2 for softcapping support
import torch
if torch.cuda.get_device_capability()[0] >= 8:
    !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"

モデルのFine-tuning

1.モデルの読み込み

# llm-jp/llm-jp-3-13b を4bit量子化(qLoRA)でロード
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
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自由に設定可能
dtype = None          # Noneにしておけば自動設定
load_in_4bit = True   # 今回は8Bクラスのモデルを扱うためTrue

model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp-3-13b-it"  # Fine-tuning後のモデル名

# FastLanguageModel インスタンスを作成
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# LoRA SFT用のモデルを用意
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,
)

1. Hugging Face Token の設定

# Hugging Face Token を指定
# 下記 URL で発行したトークンを HF_TOKEN に入れてください
# https://huggingface.co/settings/tokens
HF_TOKEN = "YOUR_KEY"

1. 学習に用いるデータセットの設定

from datasets import load_dataset
# データファイルを指定
dataset = load_dataset("json", data_files="任意のjsonファイル.json")

1. 学習時のプロンプトフォーマットの定義

prompt = """### 指示
{}
### 回答
{}"""

EOS_TOKEN = tokenizer.eos_token

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}

# データをフォーマットして新しいフィールドに格納
dataset = dataset.map(
    formatting_prompts_func,
    num_proc=4,  # 並列処理数
)
dataset

1. 学習の設定

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=2e-4,
        fp16=not is_bfloat16_supported(),
        bf16=is_bfloat16_supported(),
        group_by_length=True,
        seed=3407,
        output_dir="outputs",
        report_to="none",
    ),
)

1. 学習実行

trainer_stats = trainer.train()
---
追加学習の例（ELYZAデータセット）
下記は、別途 ELYZA データセットを用いて追加学習を行う例です。
---
from datasets import load_dataset
from transformers import TrainingArguments, Trainer

# 1. データセットのロード
elyza_dataset = load_dataset("elyza/ELYZA-tasks-100")

# 2. トークナイズと前処理
def preprocess_function(examples):
    inputs = examples["input"]
    outputs = examples["output"]
    # 入力データをトークナイズ
    model_inputs = tokenizer(inputs, padding="max_length", truncation=True, max_length=512)
    # 出力データ（ラベル）をトークナイズ
    labels = tokenizer(outputs, padding="max_length", truncation=True, max_length=512)["input_ids"]
    model_inputs["labels"] = labels
    return model_inputs

tokenized_elyza_dataset = elyza_dataset.map(preprocess_function, batched=True)

# 3. トレーニング設定
additional_training_args = TrainingArguments(
    output_dir="./elyza_additional_training",
    evaluation_strategy="steps",
    eval_steps=50,
    learning_rate=5e-5,
    per_device_train_batch_size=4,
    per_device_eval_batch_size=4,
    num_train_epochs=3,
    weight_decay=0.01,
    save_total_limit=2,
    save_steps=50,
    resume_from_checkpoint=True,
    logging_dir="./logs",
    logging_steps=10,
)

# 4. トレーナーの作成
additional_trainer = Trainer(
    model=trainer.model,  # 既存のモデルを再利用
    args=additional_training_args,
    train_dataset=tokenized_elyza_dataset["test"],  # ELYZAのデータはtest分割のみ
    eval_dataset=tokenized_elyza_dataset["test"],
)

# 5. 追加学習の実行
trainer_stats = additional_trainer.train()

# 6. 学習済みモデルの保存
additional_trainer.save_model("./fine_tuned_model_elyza")
tokenizer.save_pretrained("./fine_tuned_model_elyza")

推論サンプル

1. データセットの読み込み例

import json

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 = ""

1. 推論実行例

from tqdm import tqdm

# 推論モードに切り替え
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
    input_text = dt["input"]
    prompt = f"""### 指示\n{input_text}\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_text, "output": prediction})

1. JSONファイルの作成

import re

renamed_model_name = re.sub(r'[^/]+/', '', new_model_id)  # パス要素を取り除く

with open(f"{renamed_model_name}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')
---
モデルとアダプタの保存
学習後、LoRAアダプタを Hugging Face Hub にアップロードします。
---
new_model_id = "midcentury/llm-jp-3-13b-it"  # アップロード先
model.push_to_hub_merged(
    new_model_id,
    tokenizer=tokenizer,
    save_method="lora",
    token=HF_TOKEN,
    private=True #publicの際はFalseに変更
)

注意事項

•	モデル公開時: 公開前に、ライセンス要件や他者の権利をすべて満たしているか確認してください。
•	ライセンス: データセットやベースモデルのライセンスに従い、適切にご利用ください。

Uploaded model

•	Developed by: midcentury
•	License: Apache License 2.0
•	Finetuned from: llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with Unsloth and Hugging Face’s TRL library.