Views
No views yet
1
2
3# # 推論用コード
4# 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です。
5# こちらはLoRA_template
6# 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。
7
8# In[1]:
9
10
11get_ipython().system('pip install -U bitsandbytes')
12get_ipython().system('pip install -U transformers')
13get_ipython().system('pip install -U accelerate')
14get_ipython().system('pip install -U datasets')
15get_ipython().system('pip install -U peft')
16
17
18# In[2]:
19
20
21# 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）
22get_ipython().system('pip install ipywidgets --upgrade')
23
24
25# In[3]:
26
27
28from transformers import (
29 AutoModelForCausalLM,
30 AutoTokenizer,
31 BitsAndBytesConfig,
32)
33from peft import PeftModel
34import torch
35from tqdm import tqdm
36import json
37
38
39# In[4]:
40
41
42# Hugging Faceで取得したTokenをこちらに貼る。
43HF_TOKEN = "your_token"
44
45
46# In[5]:
47
48
49# ベースとなるモデルと学習したLoRAのアダプタ。
50# model_idの値はomnicampusの環境におけるモデルのパスを表しており、それ以外の環境で実行する場合は変更の必要があります。
51model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
52# omnicampus以外の環境をご利用の方は以下をご利用ください。
53# base_model_id = "llm-jp/llm-jp-3-13b"
54adapter_id = "to-sat/llm-jp-3-13b-adapter" # こちらにアップロードしたHugging FaceのIDを指定してください。
55
56
57# In[6]:
58
59
60# QLoRA config
61bnb_config = BitsAndBytesConfig(
62 load_in_4bit=True,
63 bnb_4bit_quant_type="nf4",
64 bnb_4bit_compute_dtype=torch.bfloat16,
65)
66
67
68# In[7]:
69
70
71# Load model
72model = AutoModelForCausalLM.from_pretrained(
73 model_id,
74 quantization_config=bnb_config,
75 device_map="auto",
76 token = HF_TOKEN
77)
78
79# Load tokenizer
80tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)
81
82
83# In[8]:
84
85
86# 元のモデルにLoRAのアダプタを統合。
87model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
88
89
90# In[9]:
91
92
93# データセットの読み込み。
94# 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。
95datasets = []
96with open("./elyza-tasks-100-TV_0.jsonl", "r") as f:
97 item = ""
98 for line in f:
99 line = line.strip()
100 item += line
101 if item.endswith("}"):
102 datasets.append(json.loads(item))
103 item = ""
104
105
106# In[ ]:
107
108
109# llmjp
110results = []
111for data in tqdm(datasets):
112
113 input = data["input"]
114
115 prompt = f"""### 指示
116 {input}
117 ### 回答
118 """
119
120 tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
121 attention_mask = torch.ones_like(tokenized_input)
122 with torch.no_grad():
123 outputs = model.generate(
124 tokenized_input,
125 attention_mask=attention_mask,
126 max_new_tokens=1024,
127 do_sample=False,
128 repetition_penalty=1.2,
129 pad_token_id=tokenizer.eos_token_id,
130 eos_token_id=tokenizer.eos_token_id,
131 forced_eos_token_id=tokenizer.eos_token_id,
132 )[0]
133 output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)
134
135 results.append({"task_id": data["task_id"], "input": input, "output": output})
136
137
138# In[ ]:
139
140
141# こちらで生成されたjsolを提出してください。
142# 本コードではinputとeval_aspectも含んでいますが、なくても問題ありません。
143# 必須なのはtask_idとoutputとなります。
144import re
145jsonl_id = re.sub(".*/", "", adapter_id)
146with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
147 for result in results:
148 json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters
149 f.write('\n')
150
151