llm-jp-3-13b-it_lora

#　想定環境 Google Colab:L4

Uploaded model

• Developed by: puna33
• License: 試験以外の使用はしないでください
• Finetuned from model : llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>

必要なライブラリをインストール

%%capture  
!pip install unsloth  
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"  
!pip install -U torch  
!pip install -U peft

必要なライブラリを読み込み

from unsloth import FastLanguageModel  
from peft import PeftModel  
import torch  
import json  
from tqdm import tqdm  
import re

ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）。

model_id = "llm-jp/llm-jp-3-13b"  
adapter_id = "puna33/llm-jp-3-13b-it_lora"

Hugging Face Token を指定。

下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。

https://huggingface.co/settings/tokens

HF_TOKEN = "write_your_token" 

unslothのFastLanguageModelで元のモデルをロード。

dtype = None # Noneにしておけば自動で設定  
load_in_4bit = True # 今回は13Bモデルを扱うためTrue  

model, tokenizer = FastLanguageModel.from_pretrained(  
      model_name=model_id,  
      dtype=dtype,  
      load_in_4bit=load_in_4bit,  
      trust_remote_code=True,  
)

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)  

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 = ""  

モデルを用いてタスクの推論。

推論するためにモデルのモードを変更

FastLanguageModel.for_inference(model)  

results = []  
for dt in tqdm(datasets):  
  input = dt["input"]  

  prompt = f"""### 指示\n{input}\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, "output": prediction})

結果をjsonlで保存。

ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。

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:  
        json.dump(result, f, ensure_ascii=False)  
        f.write('\n')