本コードはunslothで学習したqLoRAのアダプタを用いてELYZA-tasks-100-TVの出力を得るためのコードです。このコードはunslothライブラリを用いてモデルを読み込み、推論するためのコードとなります。このコードで生成されたjsonlファイルは課題の成果として提出可能なフォーマットになっております。本コードはGoogle Colabでの動作を想定しており、Omnicampusでの動作を想定しておりません。

必要なライブラリをインストール

python

%%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

python

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）。

python

model_id = "llm-jp/llm-jp-3-13b"

new_model = "llm-jp-3-13b-N_dpo-10_lr2e-4_lora" 
adapter_id = "Hi-Satoh/" + new_model

Hugging Face Token を指定。当コーデイングでは、Colab上環境に保存しています。

python

from google.colab import userdata
HF_TOKEN = userdata.get('HF_TOKEN') 

unslothのFastLanguageModelで元のモデルをロード。

python

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。

python

print(adapter_id)
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

タスクとなるデータの読み込み。

このコーディングでは、左にタスクに"elyza-tasks-100-TV_0jsonl"をドラッグアンドドロップしてから実行してください。(参考　Google Drive読み込みはコメントになっています。)

python

# Google Driveから読む方法
#from google.colab import drive
#drive.mount('/content/drive')
#test_file_name = "/content/drive/MyDrive/Colab Notebooks/LLM_2024_Fall_Student_LLM（公開）/05.最終課題/最新サンプルコード/data/elyza-tasks-100-TV_0.jsonl"

datasets = []
with open("./elyza-tasks-100-TV_0.jsonl", "r") as f:
#with open(test_file_name, "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。

python

# 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。

python

# ここではadapter_idを元にファイル名を決定しています。
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')

Hi-Satoh/llm-jp-3-13b-N_dpo-10_lr2e-4_lora

Uploaded model

必要なライブラリをインストール

必要なライブラリを読み込み

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）。

Hugging Face Token を指定。当コーデイングでは、Colab上環境に保存しています。

unslothのFastLanguageModelで元のモデルをロード。

元のモデルにLoRAのアダプタを統合。

タスクとなるデータの読み込み。

このコーディングでは、左にタスクに"elyza-tasks-100-TV_0jsonl"をドラッグアンドドロップしてから実行してください。(参考 Google Drive読み込みはコメントになっています。)

モデルを用いてタスクの推論。

結果をjsonlで保存。

Hi-Satoh/
llm-jp-3-13b-N_dpo-10_lr2e-4_lora

このコーディングでは、左にタスクに"elyza-tasks-100-TV_0jsonl"をドラッグアンドドロップしてから実行してください。(参考　Google Drive読み込みはコメントになっています。)