Views
No views yet
1
2# 推論用コード
3Hugging Faceにアップロードしたモデルを用いてELYZA-tasks-100-TVの出力を得るためのコードです。
4
5!pip install -U bitsandbytes
6!pip install -U transformers
7!pip install -U accelerate
8!pip install -U datasets
9!pip install -U peft
10
11# 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）
12!pip install ipywidgets --upgrade
13from transformers import (
14 AutoModelForCausalLM,
15 AutoTokenizer,
16 BitsAndBytesConfig,
17)
18from peft import PeftModel
19import torch
20from tqdm import tqdm
21import json
22
23# Hugging Faceで取得したTokenをこちらに貼る。
24HF_TOKEN = "Hugging Face Token"
25
26# ベースとなるモデルと学習したLoRAのアダプタ。
27# 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。
28model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"
29# omnicampus以外の環境をご利用の方は以下をご利用ください。
30# base_model_id = "llm-jp/llm-jp-3-13b"
31adapter_id = "yusa-san/llm-jp-3-13b-finetune" # 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。
32
33# QLoRA config
34bnb_config = BitsAndBytesConfig(
35 load_in_4bit=True,
36 bnb_4bit_quant_type="nf4",
37 bnb_4bit_compute_dtype=torch.bfloat16,
38)
39
40# Load model
41model = AutoModelForCausalLM.from_pretrained(
42 model_id,
43 quantization_config=bnb_config,
44 device_map="auto",
45 token = HF_TOKEN
46)
47
48# Load tokenizer
49tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)
50# 元のモデルにLoRAのアダプタを統合。
51model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
52# データセットの読み込み。
53# 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。
54datasets = []
55with open("./elyza-tasks-100-TV_0.jsonl", "r") as f:
56 item = ""
57 for line in f:
58 line = line.strip()
59 item += line
60 if item.endswith("}"):
61 datasets.append(json.loads(item))
62 item = ""
63
64# gemma
65results = []
66for data in tqdm(datasets):
67
68 input = data["input"]
69 prompt = f"""### 指示
70 {input}
71 ### 回答
72 """
73
74 input_ids = tokenizer(prompt, return_tensors="pt").to(model.device)
75 outputs = model.generate(**input_ids, max_new_tokens=512, do_sample=False, repetition_penalty=1.2,)
76 output = tokenizer.decode(outputs[0][input_ids.input_ids.size(1):], skip_special_tokens=True)
77
78 results.append({"task_id": data["task_id"], "input": input, "output": output})
79
80# llmjp
81results = []
82for data in tqdm(datasets):
83
84 input = data["input"]
85
86 prompt = f"""### 指示
87 {input}
88 ### 回答
89 """
90
91 tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
92 attention_mask = torch.ones_like(tokenized_input)
93 with torch.no_grad():
94 outputs = model.generate(
95 tokenized_input,
96 attention_mask=attention_mask,
97 max_new_tokens=100,
98 do_sample=False,
99 repetition_penalty=1.2,
100 pad_token_id=tokenizer.eos_token_id
101 )[0]
102 output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)
103
104 results.append({"task_id": data["task_id"], "input": input, "output": output})
105
106# こちらで生成されたjsolを提出してください。
107# 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。
108# 必須なのはtask_idとoutputとなります。
109import re
110jsonl_id = re.sub(".*/", "", adapter_id)
111with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
112 for result in results:
113 json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters
114 f.write('\n')
115