|
--- |
|
base_model: unsloth/gemma-2-2b-bnb-4bit |
|
tags: |
|
- text-generation-inference |
|
- transformers |
|
- unsloth |
|
- gemma2 |
|
- trl |
|
license: apache-2.0 |
|
language: |
|
- en |
|
--- |
|
|
|
# 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](https://github.com/unslothai/unsloth) and Huggingface's TRL library. |
|
|
|
[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth) |
|
|
|
"""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 |
|
) |
|
|
|
""" |
|
|
|
|
|
|
