llm-jp-3-13b-Magpie-FineTuning2

---

Training Dataset

以下のデータセットをサンプリングし、学習に用いました。

llm-jp/magpie-sft-v1.0
https://huggingface.co/datasets/llm-jp/magpie-sft-v1.0

実行手順

以下のコードを実行することで、
本モデル(tmsk1111/llm-jp-3-13b-Magpie-FineTuning2)で
入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、
その結果を{adapter_id}-outputs.jsonlというファイルに出力できます。

セットアップ

!pip install -U pip
!pip install -U transformers
!pip install -U bitsandbytes
!pip install -U accelerate
!pip install -U peft
!pip install ipywidgets --upgrade

実行方法

import re
import json
import torch
import transformers
from tqdm import tqdm
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
from peft import PeftModel

# Hugging Faceのトークンを指定
HF_TOKEN = "your_HF_TOKEN"

# モデルとアダプター名を指定
model_name = "llm-jp/llm-jp-3-13b"
adapter_id = "tmsk1111/llm-jp-3-13b-Magpie-FineTuning2"

# QLoRA config
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

# モデルとトークナイザーの読み込み
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True, token=HF_TOKEN)

# 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)

# データセットの読み込み
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 = ""


# モデルによるタスクの推論
results = []
for data in tqdm(datasets):
    input = data["input"]

    prompt = f"""### 依頼
    指示したタスクに対し、論理的かつ明瞭に回答してください。
    ### 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=1024,
            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})

# 出力の保存
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')