You can deploy this model and start earning money today!

Yu339/
gemma-2-9b-it14_lora

Name: gemma-2-9b-it14_lora
Availability: InStock

Views

No views yet

Model Card for Model ID

東京大学松尾・岩澤研究室（松尾研）大規模言語モデル Deep Learning 応用講座 2024 におけるコンペティション提出物です。 elyza/ELYZA-tasks-100を参考に独自に作成した問題に対する出力を行います。

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

**Developed by:　Yu339
**Model type:　ベースモデル: google/gemma-2-9b
**License:　Gemma License ライセンス
**Finetuned from model　:　LoRAによるファインチューニング

Model Sources

**Repository: kajuma/Llama-SFT-3000https://huggingface.co/datasets/kajuma/Llama-SFT-3000
**Lisence: The instructions of this dataset are generated by Tanuki-8B-dpo-v1.0 and the outputs are generated by Llama-3.1-SuperSwallow-70B-Instruct-v0.1. Llama 3.1 is licensed under the Llama 3.1 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved.

How to Get Started with the Model

Use the code below to get started with the model.

python

## 必要なライブラリをインストール
!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

## 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 = "your-token" #@param {type:"string"}

## 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）
!huggingface-cli login --token $HF_TOKEN
!huggingface-cli download google/gemma-2-9b --local-dir gemma-2-9b/
model_id = "./gemma-2-9b"
adapter_id = "Yu339/gemma-2-9b-it14_lora"

## 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 = 1024, 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')