README.md

---
language: 
  - ja
tags:
  - text-generation
  - LoRA
  - Transformers
license: apache-2.0
base_model:
  - llm-jp/llm-jp-3-13b
datasets:
  - ichikara-instruction-003-001-1
model-index:
  - name: llm-jp-3-13b-finetune
    results: []
---


# CoC0A/llm-jp-3-13b-finetune

## 1. モデル概要

このモデルは 大規模言語モデル講座の最終課題のために、ELYZA-tasks-100-TVを解くことを目的として作成されました。

学習データには “ichikara-instruction-003-001-1.json” を使用し、Hugging FaceのTransformersライブラリを活用しています。

### 特徴

- **タスク**: テキスト生成
- **使用データセット**: ichikara-instruction-003-001-1.json
- **出力形式**: JSON Lines形式（jsonl）

---

## 2. 使用方法

このモデルをロードして推論するには、以下のコードを使います。

``` 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

# 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 = "CoC0A/llm-jp-3-13b-finetune"

# Hugging Face Token を指定。
# 下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。
# https://huggingface.co/settings/tokens  
HF_TOKEN = "" #@param {type:"string"}

# 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。
datasets = []
#データのパスは個人の環境に合わせて適宜変更してください。
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"/content/{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')


```

### 参考文献

このREADMEは大規模言語モデル講座、最終課題におけるサンプルコードを参考にしました。

## 注意事項
本モデルおよびコードは、特定の環境依存や未検証の部分が含まれている可能性があります。  
そのため、実行環境や依存関係によっては動作が異なる場合があります。  
何か問題が発生した場合は、お手数ですがご確認の上ご対応いただけますと幸いです。