Views
No views yet
1
2!pip install -U bitsandbytes
3!pip install -U transformers
4!pip install -U accelerate
5!pip install -U datasets
6!pip install -U peft
7
8# 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）
9!pip install ipywidgets --upgrade
10
11from transformers import (
12 AutoModelForCausalLM,
13 AutoTokenizer,
14 BitsAndBytesConfig,
15)
16from peft import PeftModel
17import torch
18from tqdm import tqdm
19import json
20
21# Hugging Faceで取得したTokenをこちらに貼る。
22HF_TOKEN = "Hugging Face Token"
23
24# ベースとなるモデルと学習したLoRAのアダプタ。
25# 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。
26model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
27# omnicampus以外の環境をご利用の方は以下をご利用ください。
28# base_model_id = "llm-jp/llm-jp-3-13b"
29adapter_id = "Kazuki0411/sige_llm-jp-3-13b-finetune" # 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。
30
31# QLoRA config
32bnb_config = BitsAndBytesConfig(
33 load_in_4bit=True,
34 bnb_4bit_quant_type="nf4",
35 bnb_4bit_compute_dtype=torch.bfloat16,
36)
37
38# Load model
39model = AutoModelForCausalLM.from_pretrained(
40 model_id,
41 quantization_config=bnb_config,
42 device_map="auto",
43 token = HF_TOKEN
44)
45
46# Load tokenizer
47tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)
48
49# 元のモデルにLoRAのアダプタを統合。
50model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
51
52# データセットの読み込み。
53# 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。
54datasets = []
55with open("./elyza-tasks-100-TV_0.jsonl", "r") as f:
56 item = ""
57 for line in f:
58 line = line.strip()
59 item += line
60 if item.endswith("}"):
61 datasets.append(json.loads(item))
62 item = ""
63
64# gemma
65results = []
66for data in tqdm(datasets):
67
68 input = data["input"]
69 prompt = f"""### 指示
70 {input}
71 ### 回答
72 """
73
74 input_ids = tokenizer(prompt, return_tensors="pt").to(model.device)
75 outputs = model.generate(**input_ids, max_new_tokens=512, do_sample=False, repetition_penalty=1.2,)
76 output = tokenizer.decode(outputs[0][input_ids.input_ids.size(1):], skip_special_tokens=True)
77
78 results.append({"task_id": data["task_id"], "input": input, "output": output})
79
80
81# llmjp
82results = []
83for data in tqdm(datasets):
84
85 input = data["input"]
86
87 prompt = f"""### 指示
88 {input}
89 ### 回答
90 """
91
92 tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
93 attention_mask = torch.ones_like(tokenized_input)
94 with torch.no_grad():
95 outputs = model.generate(
96 tokenized_input,
97 attention_mask=attention_mask,
98 max_new_tokens=100,
99 do_sample=False,
100 repetition_penalty=1.2,
101 pad_token_id=tokenizer.eos_token_id
102 )[0]
103 output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)
104
105 results.append({"task_id": data["task_id"], "input": input, "output": output})
106
107
108# こちらで生成されたjsolを提出してください。
109# 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。
110# 必須なのはtask_idとoutputとなります。
111import re
112jsonl_id = re.sub(".*/", "", adapter_id)
113with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
114 for result in results:
115 json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters
116 f.write('\n')