Tokenizerは、 The tokenizer of this model is based on huggingface/tokenizers Unigram byte-fallback model. The vocabulary entries were converted from llm-jp-tokenizer v3.0. Please refer to README.md of llm-jp-tokenizer for details on the vocabulary construction procedure (the pure SentencePiece training does not reproduce our vocabulary).

このモデルを使用してjsonlを出力する例

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

# Google Colabの場合、デフォルトで入っているパッケージをアップグレード
!pip install --upgrade torch
!pip install --upgrade xformers

# 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 = "kimurakmkm123/llm-jp-3-13b-LoRA_new_unsloth_3times_2nd"

from google.colab import userdata
HF_TOKEN=userdata.get('HF_TOKEN')  #HF_TOKENにはトークンを指定してください

'''
#googlecolabの場合
!huggingface-cli login
#上のコードを実行してトークンを指定する
'''

# 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)

# 学習したモデルを用いてタスクを実行
from tqdm import tqdm

推論に使うデータセットをdatasetsに格納する  elyza-task-100-TV_0.jsonlのパスについては適宜変更の必要
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 = ""

# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

# modelにこのモデルを指定して、datasetに対して推論を行う
results = []
for dt in tqdm(datasets):  #dataset中のデータを入力、出力をresultsに保存する処理
  input = dt["input"]  #データセットによるが、問を表すカラム名をinputに入れるとよい 上のデータセットではこのままでだいじょうぶ

  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})

# 推論結果をjsonlで保存 上の推論でのresultsの内容をファイルに書き込んでる
with open(f"new_lora_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

#new_lora_output_jsonlに出力結果が保存される。


[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)