英語と非英語（日本語）のデータセットを使っています。 | データセット名 | 言語 | 件数 | 主な用途 | |-----------------------------------|--------|--------------|------------------------------------------| | databricks-dolly-15k | 英語 | 約15,000件 | 指示チューニング用 | | databricks-dolly-15k-ja | 日本語 | 約15,000件 | 日本語指示チューニング用 | | oasst1-21k-en | 英語 | 約21,000件 | 会話モデルや指示応答モデルのトレーニング | | oasst1-21k-ja | 日本語 | 約21,000件 | 日本語会話モデルや指示応答モデルのトレーニング | | ichikara-instruction-003-001 | 日本語 | 2,903件 | 日本語特化の指示チューニング |

databricks-dolly-15k
- Databricksが公開した、指示応答形式のデータセット。
- 約15,000件の英語の指示・応答ペアを含む。
- 質問応答、説明、生成タスクなどが含まれる。
databricks-dolly-15k-ja
- databricks-dolly-15kを日本語に翻訳したデータセット。
- 英語の指示・応答ペアを高品質な日本語翻訳に変換。
- 総件数: 約15000件。
oasst1-21k-en
- Open Assistantが公開した、英語の指示応答データセット。
- 約21,000件の英語データを含む。
- コミュニティから収集したデータで、多様なタスクや質問形式が含まれる。
oasst1-21k-ja
- oasst1-21k-enを日本語に翻訳したバージョン。
- 多様なタスクや指示形式に対応。
- 総件数: 約21,000件
ichikara-instruction-003-001
- LLMのための日本語のシングルターン指示応答データセット。
- 約2,903件の日本語データ。

Parameter

パラメータ名	値
LoRA_r	128
LoRA_alpha	256
LoRA_dropout	0.05
per_device_train_batch_size	1
gradient_accumulation_steps	16
max_steps	150
warmup_ratio	0.1
num_train_epochs	2
learning_rate	0.0001
embedding_learning_rate	0.00001

😚 License

Apache-2.0 ライセンスに基づいて提供されています。 Apache License, Version 2.0

😉 Usage

ライブラリーのインストール・アップグレード

!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft

ライブラリーのインポート

python

from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
from peft import PeftModel
import torch
from tqdm import tqdm
import json

HF_TOKENの設定

HF_TOKEN = "******************"

モデルidの指定

元のモデルとLoRAアダプターを指定します。LoRAアダプターのIDは本レポジトリになります。

python

# omnicampas環境を使用する場合
model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
# omnicampas以外の環境を使用する場合（以下のコメントアウトを外す）
# model_id = "llm-jp/llm-jp-3-13b" 
adapter_id = "aino813/llm-jp-3-13b-241213-SFT-dolly-oasst-ichikara-final_lora"

量子化の設定

python

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

元のモデルとトークナイザーの読み込み

python

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)

元のモデルとLoRAアダプターの統合

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

推論用データセットの読み込み

python

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 = ""

推論

python

results = []
for data in tqdm(datasets):

  input = data["input"]

  prompt = f"""### 指示
  {input}
  ### 回答
  """

  tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
  attention_mask = torch.ones_like(tokenized_input)
  with torch.no_grad():
      outputs = model.generate(
          tokenized_input,
          attention_mask=attention_mask,
          max_new_tokens=1024,
          do_sample=False,
          repetition_penalty=1.2,
          pad_token_id=tokenizer.eos_token_id
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

  results.append({"task_id": data["task_id"], "input": input, "output": output})

Jsonlファイルの作成

python

import re
jsonl_id = re.sub(".*/", "", adapter_id)
with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)  # ensure_ascii=False for handling non-ASCII characters
        f.write('\n')