Uploaded model
- Developed by: tsuzukia
- License: CC-BY-NC-SA
- Finetuned from model : llm-jp/llm-jp-3-13b
This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.
このモデルは、CC-BY-NC-SAライセンスを含むデータセットを使用しているため、CC-BY-NC-SAのライセンスの下で提供されています。 データセットごとのライセンスは以下の通りです：
モデル：apache 2.0
データセット1(LLMのための日本語インストラクションデータ): CC-BY-NC-SA
データセット2(llm-jp/databricks-dolly-15k-ja): CC-BY-SA-3.0
データセット4(kanhatakeyama/wizardlm8x22b-logical-math-coding-sft_additional-ja): apache-2.0
データセット5(kanhatakeyama/AutoMultiTurnByCalm3-22B): apache 2.0/cc-by-sa-3.0/CC0/cc-by-4.0
データセット6(kanhatakeyama/ramdom-to-fixed-multiturn-Calm3): apache 2.0
Uses
松尾研「LLM 2024」最終課題用モデル
実行の仕方は以下の通りです。
サンプルコードで公開されていたModel_Inference_Template_unsloth_20241127.ipynbのデータセットを増やしたものになります。
実行環境はローカルで、VRAM16GBのGPUで約4日間の学習です。
# llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。
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13Bモデルを扱うためTrue
model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp-3-13b-it" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning
# 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,
)
# 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",],
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,
)
LLMのための日本語インストラクションデータ
from datasets import load_dataset
import json
import ast
from datasets import Dataset, DatasetDict
import pandas as pd
paths = [
"Distribution20241221_all/ichikara-instruction-003-001-1.json",
"Distribution20241221_all/ichikara-instruction-003-001-2.1.json",
"Distribution20241221_all/ichikara-instruction-003-001-2.2.json",
"Distribution20241221_all/ichikara-instruction-003-001-5.1.json",
"Distribution20241221_all/ichikara-instruction-003-001-5.2.json",
]
from datasets import load_dataset, concatenate_datasets
datasets_list = []
for path in paths:
dataset = load_dataset('json', data_files=path)
datasets_list.append(dataset['train'])
combined_train = concatenate_datasets(datasets_list)
dataset1 = DatasetDict({
'train': combined_train
})
llm-jp/databricks-dolly-15k-ja
dataset2 = load_dataset("llm-jp/databricks-dolly-15k-ja")
dataset2 = dataset2.rename_column('instruction', 'text')
dataset2 = dataset2.rename_column('response', 'output')
kanhatakeyama/wizardlm8x22b-logical-math-coding-sft_additional-ja
def extract_content(example):
# messagesから必要な内容を抽出
text = example['messages'][0]['content'] # userのcontent
output = example['messages'][1]['content'] # assistantのcontent
return {
'text': text,
'output': output
}
dataset4 = load_dataset("kanhatakeyama/wizardlm8x22b-logical-math-coding-sft_additional-ja")
dataset4 = dataset4.map(extract_content)
dataset4 = dataset4.select_columns(['text', 'output'])
kanhatakeyama/AutoMultiTurnByCalm3-22B
dataset5 = load_dataset("kanhatakeyama/AutoMultiTurnByCalm3-22B")
dataset5 = dataset5.rename_column('q1', 'text')
dataset5 = dataset5.rename_column('a1', 'output')
dataset5 = dataset5.select_columns(['text', 'output'])
kanhatakeyama/ramdom-to-fixed-multiturn-Calm3
from datasets import load_dataset, DatasetDict
def extract_content(example):
# messagesから必要な内容を抽出
text = example['messages'][0]['content'] # userのcontent
output = example['messages'][1]['content'] # assistantのcontent
return {
'text': text,
'output': output
}
dataset6 = load_dataset("kanhatakeyama/ramdom-to-fixed-multiturn-Calm3")
dataset6 = dataset6.rename_column('text', 'text_old')
dataset6 = DatasetDict({
'train': dataset6['20240806filtered']
})
dataset6 = dataset6.map(extract_content)
dataset6 = dataset6.select_columns(['text', 'output'])
from datasets import concatenate_datasets
dataset = DatasetDict({
'train': concatenate_datasets([
dataset1['train'],
dataset2['train'],
# dataset3['train'],
dataset4['train'],
dataset5['train'],
dataset6['train'],
])
})
dataset
# 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
"""
prompt_with_context = """### 指示
コンテキストを参考に答えてください。
{}
### コンテキスト
{}
### 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
try:
context = examples["context"]
except KeyError:
context = None
if context:
text = prompt_with_context.format(input, context,output) + EOS_TOKEN # プロンプトの作成
else:
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
)
from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported
trainer = SFTTrainer(
model = model,
tokenizer = tokenizer,
train_dataset=dataset["train"],
# eval_dataset=dataset["test"],
max_seq_length = max_seq_length,
dataset_text_field="formatted_text",
packing = False,
args = TrainingArguments(
per_device_train_batch_size = 16,
gradient_accumulation_steps = 4,
gradient_checkpointing = True,
num_train_epochs = 2,
logging_steps = 5,
warmup_steps = 50,
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",
report_to = "wandb",
run_name="matsuo-lab",
),
)
#@title 学習実行
trainer_stats = trainer.train()
Model tree for tsuzukia/llm-jp-3-13b-it_lora
Base model
llm-jp/llm-jp-3-13b