llm-jp-3-13b-finetune-2

Uploaded model

• Developed by: uuuu07ssss
• License: apache-2.0
• 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"/>

以下はGoogle ColabでFine-Tuningを行ったコードになります。 !pip install unsloth

notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり）

!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"

llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。

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コンテキスト長は自由に設定可能 dtype = None # Noneにしておけば自動で設定 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-finetune-2" #Fine-Tuningしたモデルにつけたい名前

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, )

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, )

Hugging Faceで取得したTokenをこちらに貼る。

HF_TOKEN = """ dataset: 学習に用いるデータセット

ベースコードでは以下のリンクからデータをダウンロードして使います。zipを展開(!unzip)してデータのパスを指定してください。 (https://liat-aip.sakura.ne.jp/wp/llmのための日本語インストラクションデータ作成/llmのための日本語インストラクションデータ-公開/) 関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)

omnicampusの開発環境では取得したデータを左側にドラッグアンドドロップしてお使いください。 """ from datasets import load_dataset

dataset = load_dataset("json", data_files="./ichikara-instruction-003-001-1.json") dataset

学習時のプロンプトフォーマットの定義

prompt = """### 指示 {}

回答

{}"""

""" formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """ EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン（文末トークン） def formatting_prompts_func(examples): input = examples["text"] # 入力データ output = examples["output"] # 出力データ text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass

# 各データにフォーマットを適用

dataset = dataset.map( formatting_prompts_func, num_proc= 4, # 並列処理数を指定 )

dataset

""" training_arguments: 学習の設定

• output_dir: -トレーニング後のモデルを保存するディレクトリ

• per_device_train_batch_size:

  • デバイスごとのトレーニングバッチサイズ

• per_device_eval_batch_size:

  • デバイスごとの評価バッチサイズ

• gradient_accumulation_steps:

  • 勾配を更新する前にステップを積み重ねる回数

• optim:

  • オプティマイザの設定

• num_train_epochs:

  • エポック数

• eval_strategy:

  • 評価の戦略 ("no"/"steps"/"epoch")

• eval_steps:

  • eval_strategyが"steps"のとき、評価を行うstep間隔

• logging_strategy:

  • ログ記録の戦略

• logging_steps:

  • ログを出力するステップ間隔

• warmup_steps:

  • 学習率のウォームアップステップ数

• save_steps:

  • モデルを保存するステップ間隔

• save_total_limit:

  • 保存しておくcheckpointの数

• max_steps:

  • トレーニングの最大ステップ数

• learning_rate:

  • 学習率

• fp16:

  • 16bit浮動小数点の使用設定（第8回演習を参考にすると良いです）

• bf16:

  • BFloat16の使用設定

• group_by_length:

  • 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化)

• report_to:

  • ログの送信先 ("wandb"/"tensorboard"など) """ 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, eval_steps=0.2, 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", ), )

#@title 現在のメモリ使用量を表示 gpu_stats = torch.cuda.get_device_properties(0) start_gpu_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3) max_memory = round(gpu_stats.total_memory / 1024 / 1024 / 1024, 3) print(f"GPU = {gpu_stats.name}. Max memory = {max_memory} GB.") print(f"{start_gpu_memory} GB of memory reserved.")

#@title 学習実行 trainer_stats = trainer.train()

モデルとトークナイザーをHugging Faceにアップロード。

model.push_to_hub_merged( new_model_id, tokenizer=tokenizer, save_method="lora", token=HF_TOKEN, private=True )

model.push_to_hub(new_model_id, token=HF_TOKEN, private=True) # Online saving

tokenizer.push_to_hub(new_model_id, token=HF_TOKEN) # Online saving

以下が上記のHugging Faceにアップロードしたモデルを用いてELYZA-tasks-100-TVの出力を得るためのコードになります。 !pip install -U bitsandbytes !pip install -U transformers !pip install -U accelerate !pip install -U datasets

notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり）

!pip install ipywidgets --upgrade

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

Hugging Faceで取得したTokenをこちらに貼る。

HF_TOKEN = "Hugging Face Token"

作成したモデルのIDをこちらに貼る。

model_name = "YOUR FINETUNED MODEL"

QLoRA config

bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=False, )

Load model

model = AutoModelForCausalLM.from_pretrained( model_name, quantization_config=bnb_config, device_map="auto", token = HF_TOKEN )

Load tokenizer

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

データセットの読み込み。

omnicampusの開発環境では、左にタスクのjsonlをドラッグアンドドロップしてから実行。

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 = ""

gemma

results = [] for data in tqdm(datasets):

input = data["input"] prompt = f"""### 指示 {input}

回答：

"""

input_ids = tokenizer(prompt, return_tensors="pt").to(model.device) outputs = model.generate(**input_ids, max_new_tokens=512, do_sample=False, repetition_penalty=1.2,) output = tokenizer.decode(outputs[0][input_ids.input_ids.size(1):], skip_special_tokens=True)

results.append({"task_id": data["task_id"], "input": input, "output": output})

llmjp

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) with torch.no_grad(): outputs = model.generate( tokenized_input, max_new_tokens=100, do_sample=False, repetition_penalty=1.2 )[0] output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

results.append({"task_id": data["task_id"], "input": input, "output": output})

こちらで生成されたjsolを提出してください。

import re model_name = re.sub(".*/", "", model_name) with open(f"./{model_name}-outputs.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters f.write('\n')