metadata

library_name: transformers
license: cc-by-nc-sa-4.0
datasets:
  - DeL-TaiseiOzaki/Tengentoppa-sft-v1.0
  - elyza/ELYZA-tasks-100
base_model:
  - llm-jp/llm-jp-3-13b

使い方

前提:Google Colab上での実行想定します。

必要なライブラリのインストール

!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft

必要なライブラリの読み込み

from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
)
from peft import PeftModel
import torch
from tqdm import tqdm
import json

ベースモデル、LoRAアダプタの指定

base_model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "arbk/llm_jp_3_13b_finetune_30"

ベースモデルとトークナイザーの読み込み

from huggingface_hub import login
HF_TOKEN = "Your_Token" # 自身のhuggingfaceのトークンを入力
login(token=HF_TOKEN)

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token = HF_TOKEN)

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。

datasets = []
with open("elyza-tasks-100-TV_0.jsonl", "r") as f: # openの第一引数ににファイル名を入力。デフォルトではelyza-tasks-100-TV_0.jsonlを例に記載。ファイルは事前に自身のカレントディレクトリにアップロードしてください。
    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。

results = []
for data in tqdm(datasets):

  input = data["input"]

  prompt = f"""### 指示
  {input}
  ### 回答
  """

  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=500,
          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形式で保存。

import re
jsonl_id = re.sub(".*/", "", adapter_id) # デフォルトではadapter_id用いたファイル名になります。必要に応じて変更してください。
with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

以上