Downloads · 30 days
0
pulsiv8-ryo/llm-jp-3-13b-finetune_20241202
llm-jp-3-13b-finetune_20241202 is a machine learning model from pulsiv8-ryo. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
以下の手順に従うことで、Hugging Face上のモデル (llm-jp/llm-jp-3-13b) を用いて入力データを推論し、その結果を出力することができます。
Downloads · 30 days
0
Access
Public
Updated Dec 25, 2024
Repo size
1 GB
Likes
0
Public
Click a slice to open those files.
.safetensors1 GB · 99%
From the Hugging Face model README
以下の手順に従うことで、Hugging Face上のモデル (llm-jp/llm-jp-3-13b) を用いて入力データを推論し、その結果を出力することができます。
llm-jp/llm-jp-3-13b) をダウンロード済みであること必要なライブラリをインストールします。
!pip install -U pip
!pip install -U transformers
!pip install -U bitsandbytes
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft
!pip install -U trl
!pip install -U wandb
!pip install ipywidgets --upgrade
Hugging Face のトークンを準備します。以下は環境に応じた例です。
Google Colab を利用する場合:
from google.colab import userdata
HF_TOKEN = userdata.get('HF_TOKEN')
ローカル環境の場合:
HF_TOKEN = "your_hf_token_here"
以下のコードでモデルを読み込みます。
import torch
from transformers import (
AutoModelForCausalLM,
AutoTokenizer,
BitsAndBytesConfig,
)
from peft import PeftModel
# モデル ID の設定
base_model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "llm-jp-3-13b-finetune"
# 量子化設定
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16,
)
# モデルの読み込み
model = AutoModelForCausalLM.from_pretrained(
base_model_id,
quantization_config=bnb_config,
device_map="auto",
token=HF_TOKEN
)
# トークナイザの読み込み
tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token=HF_TOKEN)
# LoRA アダプタの適用
model = PeftModel.from_pretrained(model, adapter_id, token=HF_TOKEN)
./elyza-tasks-100-TV_0.jsonl ファイルをロードします。
import json
from tqdm import tqdm
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 = ""
データセットに対して以下のコードで推論を実行します。
results = []
for data in tqdm(datasets):
input_data = data["input"]
# プロンプトの準備
prompt = f"""### 指示
{input_data}
### 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=200,
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)
# 結果を保存
results.append({
"input": input_data,
"output": output
})
結果を JSONL ファイルとして保存します。
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')
以上の手順で、モデルを用いた推論結果が {adapter_id}-outputs.jsonl というファイルに保存されます。