You can deploy this model and start earning money today!

GSato1129/
llm-jp-3-13b-finetune_gsato

Name: llm-jp-3-13b-finetune_gsato
Availability: InStock

transformers

safetensors

endpoints_compatible

Views

No views yet

以下は、elyza-tasks-100-TV_0.jsonlを解くためのモデルです。

llm-jp-3 13bを(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/)のichikara-instruction-003-001-1.jsonを元にFine-Tuningを行ってます。 ※このモデルは、OmniCampusでの動作を想定しております。以下の推論方法に従うことで、Hugging Face上で公開されているモデル（llm-jp/llm-jp-3-13b + GSato1129/llm-jp-3-13b-finetune_gsato）で入力データ（elyza-tasks-100-TV_0.jsonl）を推論して、結果を{jsonl_id}-outputs.jsonlとして出力します。

推論方法

（Googleドライブで配布されている「Model_Inference_Template_20241127.ipynb」に適宜コメントを追記し、使用しています。）

必要なライブラリのインストール

python

# 計算に必要なライブラリをインストール
!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft

Hugging Faceトークン、モデル、トークナイザの読み込み

hugging faceのトークンを記載すること、Colab等Omicampusの演習環境を使わない場合はmodel_idを適宜変更してください。

python

from transformers import (
  AutoModelForCausalLM,
  AutoTokenizer,
  BitsAndBytesConfig,
)
from peft import PeftModel
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のトークン"

# ベースとなるモデルと学習したLoRAのアダプタ。
# 今回は、llm-jpのllm-jp-3の13Bを使用
# Omnicanpusの場合は、ローカルのモデルを使用
model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
# Google colabなどを使う場合はこちら
# model_id = "llm-jp/llm-jp-3-13b"
# 学習したアダプターを読み込み
adapter_id = "GSato1129/llm-jp-3-13b-finetune_gsato"

# QLoRA config
# QLoRAにより、計算量とGPUメモリを削減
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

# Load model
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id, 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

./elyza-tasks-100-TV_0.jsonlファイルからデータセットをロード。Omnicampusやcolabの場合、elyza-tasks-100-TV_0.jsonlを開発環境にアップロードすることを忘れないこと。

python

# 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。
# Google colabの場合でも、同様に左にタスクのjsonlファイルをドラックアンドドロップ。
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 = ""

推論の実行

python

# llmjp
# データセットからタスクを取り出して、学習したモデルを使って推定
# resultsにタスクID、入力、出力を格納
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)
  attention_mask = torch.ones_like(tokenized_input)
  with torch.no_grad():
      outputs = model.generate(
          tokenized_input,
          attention_mask=attention_mask,
          max_new_tokens=100,
          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

python

# resultsを使ってjsonlを作成
# adapter IDを元にjsonlを作成しているが、任意の名前に変更しても良い。
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)  # ensure_ascii=False for handling non-ASCII characters
        f.write('\n')

上記の手順で、出力のjsonlファイルを得られます。