|
--- |
|
library_name: transformers |
|
tags: [] |
|
--- |
|
|
|
# llm-jp-3-13b-20241214_1651 |
|
|
|
本モデルは、大規模言語モデルに関する勉強会LLM-jpの成果物であるllm-jp-3-13b[1]を、同じくLLM-jpが公開しているオープンなデータセットllm-jp/databricks-dolly-15k-ja[2]を用いてファインチューニングしたモデルです。 |
|
<small>[1]: HuggingFaceにて公開されています。https://huggingface.co/llm-jp/llm-jp-3-13b</small> |
|
<small>[2]: Creative Commons Attribution-ShareAlike 3.0 Unported License (CC BY-SA 3.0)として公開されており、商用利用も可能です。</small> |
|
|
|
短時間でファインチューニングを終えるために、データセットから９０サンプルだけ取り出してファインチューニングしています。 |
|
|
|
## 使い方の概要 |
|
|
|
本リポジトリには、ベースモデルllm-jp-3-13bとLoRAでファインチューニングした後のモデルの間の「差分」のみアップロードしております。したがって、ご利用頂くためには、ベースモデルと本モデルの両者をダウンロードする必要があります。トークナイザーはベースモデルのトークナイザーを使って下さい。 |
|
|
|
## .jsonlに記載したタスクの実行と記録保存のしかた |
|
|
|
ここでは、 |
|
``` |
|
{"task_id": 0, "input": "タスク記述0"} |
|
{"task_id": 1, "input": "タスク記述1"} |
|
{"task_id": 2, "input": "タスク記述2"} |
|
{"task_id": 3, "input": "タスク記述3"} |
|
... |
|
``` |
|
のフォーマットでyour_tasks.jsonlにタスクが保存されている場合の実行方法を示します。 |
|
GPUを使用可能な環境でお試しください。 |
|
HF_TOKEN、およびyour_tasks.jsonlはご自身の環境に合わせて書き換えて下さい。 |
|
``` |
|
!pip install -U pip |
|
!pip install -U transformers |
|
!pip install -U bitsandbytes |
|
!pip install -U accelerate |
|
!pip install -U datasets |
|
!pip install -U peft |
|
!pip install -U trl |
|
|
|
from transformers import ( |
|
AutoModelForCausalLM, |
|
AutoTokenizer, |
|
BitsAndBytesConfig, |
|
) |
|
from peft import PeftModel |
|
import torch |
|
from tqdm import tqdm |
|
import json |
|
|
|
# HuggingFaceからベースモデルとトークナイザーをロード |
|
HF_TOKEN = 'your HuggingFace Token' |
|
model_id = "llm-jp/llm-jp-3-13b" |
|
adapter_id = "MsanMsan/llm-jp-3-13b-20241214_1651" |
|
bnb_config = BitsAndBytesConfig( |
|
load_in_4bit=True, |
|
bnb_4bit_quant_type="nf4", |
|
bnb_4bit_compute_dtype=torch.bfloat16, |
|
) |
|
model = AutoModelForCausalLM.from_pretrained( |
|
model_id, |
|
quantization_config=bnb_config, |
|
device_map="auto", |
|
token = HF_TOKEN |
|
) |
|
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN) |
|
|
|
# 本モデルをロードしベースモデルに接合 |
|
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN) |
|
|
|
# データセットの読み込み。 |
|
datasets = [] |
|
with open("./your_tasks.jsonl", "r") as f: |
|
item = "" |
|
for line in f: |
|
line = line.strip() |
|
item += line |
|
if item.endswith("}"): |
|
datasets.append(json.loads(item)) |
|
item = "" |
|
|
|
results = [] |
|
for data in tqdm(datasets): |
|
|
|
input = data["input"] |
|
|
|
prompt = f"""### 指示 |
|
{input} |
|
### 回答 |
|
""" |
|
|
|
# 推論実行 (your_tasks.jsonlに記載されたタスクを順に実行) |
|
tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device) |
|
attention_mask = torch.ones_like(tokenized_input) |
|
with torch.no_grad(): |
|
outputs = model.generate( |
|
tokenized_input, |
|
attention_mask=attention_mask, |
|
max_new_tokens=100, |
|
do_sample=False, |
|
repetition_penalty=1.2, |
|
pad_token_id=tokenizer.eos_token_id |
|
)[0] |
|
output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True) |
|
|
|
results.append({"task_id": data["task_id"], "input": input, "output": output}) |
|
|
|
# 結果をjsonl形式で出力 |
|
import re |
|
jsonl_id = re.sub(".*/", "", adapter_id) |
|
with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f: |
|
for result in results: |
|
json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters |
|
f.write('\n') |
|
``` |
