Uploaded model
- Developed by: muchan23
- 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.
Google Colab の場合は上記の環境構築手順を行なわず、単にこのセルから実行していってください。
!pip uninstall unsloth -y
!pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+
https://github.com/unslothai/unsloth.git"
Google Colab のデフォルトで入っているパッケージをアップグレード（Moriyasu さんありがとうございます）
!pip install --upgrade torch
!pip install --upgrade xformers
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）
Google Colabでは実行不要
!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"
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。
Write権限を付与してください。
HF_TOKEN = "" #@param {type:"string"}
あるいは Google Colab シークレットを使う場合、左のサイドバーより🔑マークをクリック
HF_TOKEN という名前で Value に Hugging Face Token を入れてください。
ノートブックからのアクセスのトグルをオンにし、下記の二行のコードのコメントアウトを外してください。
from google.colab import userdata
HF_TOKEN=userdata.get('HF_TOKEN')
llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。
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13Bモデルを扱うためTrue
model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp-3-13b-it" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning
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,
)
学習に用いるデータセットの指定
今回はLLM-jp の公開している Ichikara Instruction を使います。データにアクセスするためには申請が必要ですので、使いたい方のみ申請をしてください。
Ichikara Instruciton を Hugging Face Hub にて公開することはお控えください。
また、CC-BY-NC-SAですのでモデルはライセンスを継承する前提でお使いください。
下記のリンクから申請を終えた先に Google Drive があり、Distribution20241221_all というフォルダごとダウンロードしてください。
今回は「ichikara-instruction-003-001-1.json」を使います。必要であれば展開（!unzip など）し、データセットのパスを適切に指定してください。
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。
Google Colab の場合も左のサイドバーよりドラッグ&ドロップでアップデートしてください。
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)
from datasets import load_dataset
data_dir = "/content/drive/MyDrive/LLM/Distribution20241221_all"
files = os.listdir(data_dir)
json_files = [f"{data_dir}/{f}" for f in files if f.endswith(".json") == True]
dataset = load_dataset("json", data_files=json_files)
#dataset = load_dataset("json", data_files="/content/drive/MyDrive/LLM/Distribution20241221_all/ichikara-instruction-003-001-1.json")
パスの指定にご注意ください。アップロードしたファイルを右クリックし、「パスをコピー」をクリック、上記の data_files と合致していることをご確認ください。Omnicampus のディレクトリ構造とは異なるかもしれません。
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
データを確認
print(dataset["train"]["formatted_text"][3])
ニュースデータの読み込み
ds = load_dataset("DeL-TaiseiOzaki/news_summary_2024secondhalf")
from datasets import concatenate_datasets
ニュースのデータを学習のデータセットに加える場合
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
"""
prompt_news = """### 以下は2024年のニュースの情報です
{}"""
"""
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
def formatting_prompts_func_news(examples):
news_data = examples["summary"] # ニュースの情報
text = prompt_news.format(news_data) + 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
)
ds = ds.map(
formatting_prompts_func_news,
num_proc= 4, # 並列処理数を指定
)
train_dataset = dataset["train"]
#train_ds = ds["train"] # ニュースデータを全て用いる場合
一部のニュースデータのみを用いる場合
train_ds = ds["train"]
データをシャッフル（再現性を保つためseedを設定）
shuffled_ds = train_ds.shuffle(seed=42)
上位5000個を選択
sampled_ds = shuffled_ds.select(range(5000))
combined_dataset = concatenate_datasets([train_dataset, sampled_ds])
combined_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:
-
per_device_eval_batch_size:
-
gradient_accumulation_steps:
-
optim:
-
num_train_epochs:
-
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:
-
logging_steps:
-
warmup_steps:
-
save_steps:
-
save_total_limit:
-
max_steps:
-
learning_rate:
-
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:
-
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,neftune_noise_alpha = 5, #変更点
args = TrainingArguments(
per_device_train_batch_size = 4, # デバイスごとのトレーニングバッチサイズ
gradient_accumulation_steps = 16, # デバイスごとの評価バッチサイズ
num_train_epochs = 1, # エポック数
logging_steps = 10, # ログを出力するステップ間隔
warmup_steps = 10, # 学習率のウォームアップステップ数
save_steps=100, # モデルを保存するステップ間隔
save_total_limit=2, # 保存しておくcheckpointの数
max_steps=-1, # トレーニングの最大ステップ数
learning_rate = 2e-4, # 学習率
fp16 = not is_bfloat16_supported(), # 16bit浮動小数点の使用設定
bf16 = is_bfloat16_supported(), # BFloatの使用設定
group_by_length=True, # 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)
seed = 3407, # 学習の再現性を保つためのメモとしての番号 ※あまり意識する必要はない
output_dir = "outputs",
report_to = "none",
auto_find_batch_size = True #変更点
),
)
#@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()
ELYZA-tasks-100-TVの読み込み。事前にファイルをアップロードしてください
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。
import json
datasets = []
with open("/content//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 = ""
学習したモデルを用いてタスクを実行
from tqdm import tqdm
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})
jsonlで保存
with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f:
for result in results:
json.dump(result, f, ensure_ascii=False)
f.write('\n')
LoRAアダプタだけ保存
model.push_to_hub_merged(
new_model_id+"_lora",
tokenizer=tokenizer,
save_method="lora",
token=HF_TOKEN,
private=True
)
