ikedachin/llm-jp-3-13b-october-news-e1-all-3-5-sft-llmjp-magpie-20000

Uploaded model

• Developed by: ikedachin
• License: apache-2.0
• Finetuned from model : llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

継続事前学習モデル

ikedachin/llm-jp-3-13b-october-news-e1-all-3-5

学習データセット

llm-jp/magpie-sft-v1.0（このうちランダムに20000データ）

実行方法（GoogleColabでの実行を想定しています。)

https://github.com/ikedachin/llm_lecture_2024.git

• 上記リポジトリのinference_notebook.ipynbで実行可能です。
• シークレットタブからHF_TOKENの名前でHuggingfaceのアクセストークンをセットしてください。
• 推論したいデータセット（ここではelyza-tasks-100-TV_0.jsonl）は手動でColabのフォルダにアップロードしてください。
• このモデルを使用する場合はconfigのmodel_idを本モデルに書き換えてください。（コメントアウトしてあります。）

ライブラリインストール

エラーが発生した場合は再実行し、エラーがないことを確認すること

!pip uninstall unsloth -y
!pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

※上のセルはエラーが出やすいので注意

!pip install --upgrade torch
!pip install --upgrade xformers

import torch
if torch.cuda.get_device_capability()[0] >= 8:
    !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"

評価セットのアップロード

elyza-tasks-100-TV_0.jsonlファイルをGoogleColabのcontentフォルダにアップロードしておくこと。

実行コード

# import libraries
import re
import json
from tqdm import tqdm
import torch
from unsloth import FastLanguageModel

# config
max_seq_length = 1024
dtype = None
load_in_4bit = True
model_id = "ikedachin/llm-jp-3-13b-october-news-e1-all-3-5-sft-llmjp-magpie-20000"

# set Token of Huggingface
from google.colab import userdata
HF_W=userdata.get('HF_TOKEN')

# download model
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = model_id,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    trust_remote_code = True,
)

# prepare a dataset for inference
datasets = []
with open("./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 = ""

# inference
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
    input = dt["input"]
  
    prompt = f"""### 指示
{input}
### 回答
"""
  
    inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
    outputs = model.generate(**inputs, max_new_tokens = max_seq_length, 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})

# save results
json_file_id = re.sub(".*/", "", model_id)
with open(f"/content/{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')