Uploaded model
- Developed by: HiroSan6595
- License: apache-2.0
- Finetuned from model : unsloth/gemma-2-2b-bnb-4bit
This gemma2 model was trained 2x faster with Unsloth and Huggingface's TRL library.
"""python !pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git" !pip install -U xformers --index-url https://download.pytorch.org/whl/cu124 !pip install --no-deps "trl<0.9.0" peft accelerate bitsandbytes
Install Flash Attention 2 for softcapping support
import torch if torch.cuda.get_device_capability()[0] >= 8: !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"
HF_TOKEN = "my_token"
rom transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig from unsloth import FastLanguageModel import torch max_seq_length = 512 # unslothではRoPEをサポートしているのでコンテキスト長は自由に設定可能 dtype = None # Noneにしておけば自動で設定 load_in_4bit = True # 今回は8Bクラスのモデルを扱うためTrue
model_id = "google/gemma-2-2b" new_model_id = "gemma-2-2b-finetune-2" #Fine-Tuningしたモデルにつけたい名前
FastLanguageModel インスタンスを作成
model, tokenizer = FastLanguageModel.from_pretrained( model_name=model_id, dtype=dtype, load_in_4bit=load_in_4bit, trust_remote_code=True, )
モデルから（4ビット量子化された）線形層の名前を取得する関数
https://zenn.dev/yumefuku/articles/llm-finetuning-qlora?fbclid=IwY2xjawEih_9leHRuA2FlbQIxMQABHXbPcwqf0DgjPSI9dMMqyuQhUV2z1m2QZLepRWytrm3LOLQkHz9lrETzEg_aem_UTJYtvb55qSBL8Qi3Lttwg
import bitsandbytes as bnb
def find_all_linear_names(model): target_class = bnb.nn.Linear4bit linear_layer_names = set() for name_list, module in model.named_modules(): if isinstance(module, target_class): names = name_list.split('.') layer_name = names[-1] if len(names) > 1 else names[0] linear_layer_names.add(layer_name) if 'lm_head' in linear_layer_names: linear_layer_names.remove('lm_head') return list(linear_layer_names)
線形層の名前を取得
target_modules = find_all_linear_names(model) print(target_modules)
SFT用のモデルを用意
model = FastLanguageModel.get_peft_model( model, r = 32, # target_modules = ["q_proj", "k_proj", "v_proj", "o_proj", # "gate_proj", "up_proj", "down_proj",], target_modules = target_modules, lora_alpha = 32, lora_dropout = 0.05, bias = "none", use_gradient_checkpointing = "unsloth", random_state = 3407, use_rslora = False, loftq_config = None, max_seq_length = max_seq_length, )
学習時のプロンプトフォーマットの定義
prompt = """### 指示 {}
回答
{}"""
""" formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """ EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン（文末トークン） def formatting_prompts_func(examples): input = examples["text"] # 入力データ output = examples["output"] # 出力データ text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass
# 各データにフォーマットを適用
dataset = dataset.map( formatting_prompts_func, num_proc= 4, # 並列処理数を指定 )
dataset """ dataset: 学習に用いるデータセット
ベースコードでは以下のリンクからデータをダウンロードして使います。zipを展開(!unzip)してデータのパスを指定してください。 (https://liat-aip.sakura.ne.jp/wp/llmのための日本語インストラクションデータ作成/llmのための日本語インストラクションデータ-公開/) 関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)
omnicampusの開発環境では取得したデータを左側にドラッグアンドドロップしてお使いください。 """ from datasets import load_dataset
dataset = load_dataset("json", data_files="/content/drive/MyDrive/Student_LLM/05FinalReport/Distribution/ichikara-instruction-003-001-1.json") dataset
データを確認
print(dataset["train"]["formatted_text"][3])
""" training_arguments: 学習の設定
output_dir: -トレーニング後のモデルを保存するディレクトリ
per_device_train_batch_size:
- デバイスごとのトレーニングバッチサイズ
per_device_eval_batch_size:
- デバイスごとの評価バッチサイズ
gradient_accumulation_steps:
- 勾配を更新する前にステップを積み重ねる回数
optim:
- オプティマイザの設定
num_train_epochs:
- エポック数
eval_strategy:
- 評価の戦略 ("no"/"steps"/"epoch")
eval_steps:
- eval_strategyが"steps"のとき、評価を行うstep間隔
logging_strategy:
- ログ記録の戦略
logging_steps:
- ログを出力するステップ間隔
warmup_steps:
- 学習率のウォームアップステップ数
save_steps:
- モデルを保存するステップ間隔
save_total_limit:
- 保存しておくcheckpointの数
max_steps:
- トレーニングの最大ステップ数
learning_rate:
- 学習率
fp16:
- 16bit浮動小数点の使用設定（第8回演習を参考にすると良いです）
bf16:
- BFloat16の使用設定
group_by_length:
- 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化)
report_to:
- ログの送信先 ("wandb"/"tensorboard"など) """ 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, eval_steps=0.2, 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", ), )
gpu_stats = torch.cuda.get_device_properties(0) start_gpu_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3) max_memory = round(gpu_stats.total_memory / 1024 / 1024 / 1024, 3) print(f"GPU = {gpu_stats.name}. Max memory = {max_memory} GB.") print(f"{start_gpu_memory} GB of memory reserved.")
trainer_stats = trainer.train()
import json datasets = [] with open("/content/drive/MyDrive/Student_LLM/05FinalReport/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 = ""
学習したモデルを用いてタスクを実行
from tqdm import tqdm
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})
jsonlで保存
with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False) f.write('\n')
model.push_to_hub_merged( new_model_id, tokenizer=tokenizer, save_method="lora", token=HF_TOKEN, private=True )
"""