You can deploy this model and start earning money today!

kazutaka/
llm-nishimae-it-finetune-30_lora

Name: llm-nishimae-it-finetune-30_lora
Availability: InStock

safetensors

Views

No views yet

概要

llm-jp/llm-jp-3-13b を4ビットでunslothライブラリを活用してSFTしたモデルです。
松尾研大規模言語モデル講座2024 のコンペ用の提出モデル作成の一環として作成・公開しています。

モデル詳細

ベースモデル: llm-jp/llm-jp-3-13b
アダプタモデル： kazutaka/llm-nishimae-it-finetune-30_lora
SFT学習データセット：DeL-TaiseiOzaki/Tengentoppa-sft-v1.0　　

前提条件

・Google Colabであること(サーバやローカルPCの場合、各自インストールをお願いします。)
・ランライムのタイプのGPU設定は、L4であること
・Hugging Faceのアクセストークン (YOUR-HF-TOKEN) が取得済みであること

推論方法

1.ライブラリをインストールします。(Google Colabのみ実行してください。サーバやローカルPCの場合スキップしても問題ありません)

python

# 必要なライブラリをインストール
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install -U torch
!pip install -U peft

2.以下のコードを実行して推論結果をjsonlファイル出力させます。
注意：elyza-tasks-100-TV_0.jsonlを同じディレクトリに配置します。配置パスが違う場合コード修正して実行をお願いします。

python

# 必要なライブラリを読み込み
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re

# ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）。
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "kazutaka/llm-nishimae-it-finetune-30_lora"

HF_TOKEN = "YOUR-HF-TOKEN"

# 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 # 今回は13Bモデルを扱うためTrue

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# 元のモデルにLoRAのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

# タスクとなるデータの読み込み。
# 事前にデータをアップロードしてください。(アップしたjsonlのパスをしてください)
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 = ""

# モデルを用いてタスクの推論。
# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
  input = dt["input"]
  prompt = f"""### 指示\n{input}\n### 回答\n"""
  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
  outputs = model.generate(**inputs, max_new_tokens = 512, use_cache = True, 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": dt["task_id"], "input": input, "output": prediction})


# 結果をjsonlで保存。

# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
json_file_id = re.sub(".*/", "", adapter_id)
with open(f"./{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

モデル詳細

本モデルは学習に利用したデータの関係で以下のライセンスの影響を受けます。
・ CC BY-SA 4.0 を継承します。