# Hugging Face Token を指定
# 下記 URL で発行したトークンを HF_TOKEN に入れてください
# https://huggingface.co/settings/tokens
HF_TOKEN = "YOUR_KEY"

from datasets import load_dataset
# データファイルを指定
dataset = load_dataset("json", data_files="任意のjsonファイル.json")

prompt = """### 指示
{}
### 回答
{}"""

EOS_TOKEN = tokenizer.eos_token

def formatting_prompts_func(examples):
    input_text = examples["text"]
    output_text = examples["output"]
    text = prompt.format(input_text, output_text) + EOS_TOKEN
    return {"formatted_text": text}

# データをフォーマットして新しいフィールドに格納
dataset = dataset.map(
    formatting_prompts_func,
    num_proc=4,  # 並列処理数
)
dataset

from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported

trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset["train"],
    max_seq_length=max_seq_length,
    dataset_text_field="formatted_text",
    packing=False,
    args=TrainingArguments(
        per_device_train_batch_size=2,
        gradient_accumulation_steps=4,
        num_train_epochs=1,
        logging_steps=10,
        warmup_steps=10,
        save_steps=100,
        save_total_limit=2,
        max_steps=-1,
        learning_rate=2e-4,
        fp16=not is_bfloat16_supported(),
        bf16=is_bfloat16_supported(),
        group_by_length=True,
        seed=3407,
        output_dir="outputs",
        report_to="none",
    ),
)

trainer_stats = trainer.train()
---
追加学習の例（ELYZAデータセット）
下記は、別途 ELYZA データセットを用いて追加学習を行う例です。
---
from datasets import load_dataset
from transformers import TrainingArguments, Trainer

# 1. データセットのロード
elyza_dataset = load_dataset("elyza/ELYZA-tasks-100")

# 2. トークナイズと前処理
def preprocess_function(examples):
    inputs = examples["input"]
    outputs = examples["output"]
    # 入力データをトークナイズ
    model_inputs = tokenizer(inputs, padding="max_length", truncation=True, max_length=512)
    # 出力データ（ラベル）をトークナイズ
    labels = tokenizer(outputs, padding="max_length", truncation=True, max_length=512)["input_ids"]
    model_inputs["labels"] = labels
    return model_inputs

tokenized_elyza_dataset = elyza_dataset.map(preprocess_function, batched=True)

# 3. トレーニング設定
additional_training_args = TrainingArguments(
    output_dir="./elyza_additional_training",
    evaluation_strategy="steps",
    eval_steps=50,
    learning_rate=5e-5,
    per_device_train_batch_size=4,
    per_device_eval_batch_size=4,
    num_train_epochs=3,
    weight_decay=0.01,
    save_total_limit=2,
    save_steps=50,
    resume_from_checkpoint=True,
    logging_dir="./logs",
    logging_steps=10,
)

# 4. トレーナーの作成
additional_trainer = Trainer(
    model=trainer.model,  # 既存のモデルを再利用
    args=additional_training_args,
    train_dataset=tokenized_elyza_dataset["test"],  # ELYZAのデータはtest分割のみ
    eval_dataset=tokenized_elyza_dataset["test"],
)

# 5. 追加学習の実行
trainer_stats = additional_trainer.train()

# 6. 学習済みモデルの保存
additional_trainer.save_model("./fine_tuned_model_elyza")
tokenizer.save_pretrained("./fine_tuned_model_elyza")

import json

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 = ""

from tqdm import tqdm

# 推論モードに切り替え
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
    input_text = dt["input"]
    prompt = f"""### 指示\n{input_text}\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_text, "output": prediction})

import re

renamed_model_name = re.sub(r'[^/]+/', '', new_model_id)  # パス要素を取り除く

with open(f"{renamed_model_name}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')
---
モデルとアダプタの保存
学習後、LoRAアダプタを Hugging Face Hub にアップロードします。
---
new_model_id = "midcentury/llm-jp-3-13b-it"  # アップロード先
model.push_to_hub_merged(
    new_model_id,
    tokenizer=tokenizer,
    save_method="lora",
    token=HF_TOKEN,
    private=True #publicの際はFalseに変更
)

•	モデル公開時: 公開前に、ライセンス要件や他者の権利をすべて満たしているか確認してください。
•	ライセンス: データセットやベースモデルのライセンスに従い、適切にご利用ください。

•	Developed by: midcentury
•	License: Apache License 2.0
•	Finetuned from: llm-jp/llm-jp-3-13b