You can deploy this model and start earning money today!

waiyanan/
llm-jp-3-13b-automulti-unsloth-it-r64-lr1e4-ep1_lora

Name: llm-jp-3-13b-automulti-unsloth-it-r64-lr1e4-ep1_lora
Availability: InStock

transformers

safetensors

text-generation-inference

Views

No views yet

モデル概要

このモデルは、日本語の大規模言語モデル（LLM）であるllm-jp/llm-jp-3-13bをベースにインストラクションチューニングしたLoRAアダプタです。

使用したインストラクションデータセット：

kanhatakeyama/AutoMultiTurnByCalm3-22B

使用方法例

依存関係のインストール:

bash

# 必要なライブラリをインストール
pip install -U bitsandbytes transformers accelerate datasets peft pandas
pip install -U unsloth  # stable release

モデルの読み込み(Unslothというライブラリを使用し4bit量子化して読み込む場合の例):

python

from unsloth import FastLanguageModel
from peft import PeftModel

# ベースモデルID
base_model_id="llm-jp/llm-jp-3-13b" 
# 本アダプタのID
adapter_id="waiyanan/llm-jp-3-13b-automulti-unsloth-it-r64-lr1e4-ep1_lora"
# Huggingfaceトークン
hf_token=<有効なHuggingfaceトークン>

# 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 # 4bit量子化する

model, tokenizer = FastLanguageModel.from_pretrained(
  model_name = base_model_id,
  dtype = dtype,
  load_in_4bit = load_in_4bit,
  trust_remote_code=True,
  token=hf_token
)

model = PeftModel.from_pretrained(model, adapter_id, token=hf_token)

推論(任意のプロンプトで推論する場合)

python

# 最大出力トークン数
max_token = 1024
prompt = "こんにちは！よろしくお願いいたします。"

FastLanguageModel.for_inference(model)

inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens = max_token, use_cache = True, temperature=0.5, top_p=0.9,do_sample=False, repetition_penalty=1.2)
prediction = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(prediction)

評価データセット（elyza-tasks-100-TV.jsonl)の読み込みとテスト実行

python

import pandas as pd
from datasets import Dataset
from tqdm import tqdm
import json

datasets = []
# elyza-tasks-100-TV.jsonのファイルパス
file_path =<path_to_input_file>
# 最大出力トークン数
max_token = 1024

# データセットの読み込み
df = pd.read_json(file_path, orient='records', lines=True)
# 結果格納用配列
results = []

# モデルを推論モードにする
FastLanguageModel.for_inference(model)

for _, r in tqdm(df.iterrows(),total=len(df)):
  input = r["input"]
  task_id=r["task_id"]
  prompt = f"""### 指示\n{input} 簡潔に回答してください \n### 回答\n"""

  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)

  outputs = model.generate(**inputs, max_new_tokens = max_token, use_cache = True, temperature=0.5, top_p=0.9,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":task_id, "input": input, "output": prediction})

# 結果をjsonlで保存。

ourput_file_path = <path_to_output_file>

with open(ourput_file_path, 'w', encoding='utf-8') as f:
  for result in results:
    json.dump(result, f, ensure_ascii=False)
    f.write('\n')

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.