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