--- library_name: transformers tags: - unsloth license: gemma datasets: - llm-jp/magpie-sft-v1.0 - DeL-TaiseiOzaki/Tengentoppa-sft-qwen2.5-32b-reasoning-100k - weblab-GENIAC/Open-Platypus-Japanese-masked - weblab-GENIAC/aya-ja-nemotron-dpo-masked base_model: - google/gemma-2-27b --- ## 学習データセット gemma-2利用にあたり、ライセンス制約上の懸念のあるデータセットは利用していない。 ### SFT使用データ - [llm-jp/magpie-sft-v1.0](https://huggingface.co/datasets/llm-jp/magpie-sft-v1.0) (apache-2.0) - [DeL-TaiseiOzaki/Tengentoppa-sft-qwen2.5-32b-reasoning-100k](https://huggingface.co/datasets/DeL-TaiseiOzaki/Tengentoppa-sft-qwen2.5-32b-reasoning-100k) (apache-2.0) - [weblab-GENIAC/Open-Platypus-Japanese-masked](https://huggingface.co/datasets/weblab-GENIAC/Open-Platypus-Japanese-masked) (MIT) - MITライセンスのデータのみ抽出して使用。 ### DPO使用データ - [weblab-GENIAC/aya-ja-nemotron-dpo-masked](https://huggingface.co/datasets/weblab-GENIAC/aya-ja-nemotron-dpo-masked) (apache-2.0) ## モデル作成手順 - ベースモデル（google/gemma-2-27b）にSFT使用データ（サンプリング）を使って、Loraアダプタを作成（Taka2024/gemma-2-27b-it-2_lora） - ベースモデルとLoraアダプタをマージ（Taka2024/gemma-2-27b-it-2_lora_merged） - マージしたモデルにDPO使用データ（サンプリング）を使って、DPOアダプタを作成（Taka2024/gemma-2-27b-dpo-1） ## 推論手順 unsloth版のサンプルコード（Google Colab L4使用）をベースとし、推論は１時間以内で終了するようになっている。 ``` # 必要なライブラリをインストール %%capture !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 ``` ``` HF_TOKEN = "" #必要なトークンを設定してください ``` ``` !huggingface-cli login --token $HF_TOKEN ``` ``` # 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27Bモデルを扱うためTrue model_id = "Taka2024/gemma-2-27b-it-2_lora_merged" adapter_dpo_id = "Taka2024/gemma-2-27b-dpo-1" 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DPOのアダプタを統合。 model = PeftModel.from_pretrained(model, adapter_dpo_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 = [] with open("/content/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"""### あなたは日本人のための優秀なコンシェルジュです。指示には必ずわかりやすい日本語で回答してください。\n### 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(".*/", "", "gemma-2-27b-dpo-1") with open(f"/content/{json_file_id}_output_IF.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False) f.write('\n') ``` ## Uploaded model - **Developed by:** Taka2024 - **License:** gemma - **Finetuned from model :** google/gemma-2-27b This gemma2 model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library. [](https://github.com/unslothai/unsloth)