Uploaded model

Developed by: chubstercat
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.

必要な前提条件

Google Colab環境: GPUインスタンスを有効化してください。 Hugging Face アカウント: Hugging Face Tokenが必要です。取得方法は後述します。基礎的なPython知識: Colabセルの編集やコード実行ができる程度。

1. 環境セットアップ

ライブラリのインストール以下のセルを実行して、必要なライブラリをインストールします。

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

Flash Attentionのインストール GPUがNVIDIA Compute Capability 8.0以上の場合に以下を実行します。

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

2. モデルの準備

Fine-Tuningに使用するモデルをロードします。ここではllm-jp/llm-jp-3-13bを例とします。

from transformers import AutoModelForCausalLM, AutoTokenizer
from unsloth import FastLanguageModel

model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp-3-13b-it"
max_seq_length = 512
dtype = None
load_in_4bit = True

# モデルとトークナイザーのロード
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# SFT用設定
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,
    max_seq_length=max_seq_length,
)

3. データセットの準備

データのアップロード使用するデータセット（例: ichikara-instruction-003-001-1.json）をGoogle Colabにアップロードしてください。

データのロードとフォーマット以下のコードを使い、データセットをロードしてフォーマットを整えます。

from datasets import load_dataset

# データセットのロード
dataset = load_dataset("json", data_files="/content/ichikara-instruction-003-001-1.json")

# プロンプトフォーマットの定義
prompt = """### 指示
{}
### 回答
{}"""
EOS_TOKEN = tokenizer.eos_token

# フォーマット適用
def formatting_prompts_func(examples):
    input = examples["text"]
    output = examples["output"]
    text = prompt.format(input, output) + EOS_TOKEN
    return {"formatted_text": text}

dataset = dataset.map(formatting_prompts_func, num_proc=4)

4. Fine-Tuning

以下のコードでFine-Tuningを実行します。

from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported

trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset["train"],
    max_seq_length=max_seq_length,
    dataset_text_field="formatted_text",
    packing=False,
    args=TrainingArguments(
        per_device_train_batch_size=2,
        gradient_accumulation_steps=4,
        num_train_epochs=1,
        logging_steps=10,
        warmup_steps=10,
        save_steps=100,
        save_total_limit=2,
        learning_rate=2e-4,
        fp16=not is_bfloat16_supported(),
        bf16=is_bfloat16_supported(),
        group_by_length=True,
        output_dir="outputs",
        report_to="none",
    ),
)

trainer.train()

5. 評価

学習済みモデルを用いて評価を行います。

from tqdm import tqdm

FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
    input = dt["input"]
    prompt = f"### 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)
    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形式で保存します。

import json
with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

6. Hugging Face Hubへのアップロード

学習済みモデルをHugging Face Hubにアップロードします。

HF_TOKEN = "YOUR_HUGGING_FACE_TOKEN"

model.push_to_hub_merged(
    'your-username/your-model-name',
    tokenizer=tokenizer,
    save_method="lora",
    token=HF_TOKEN,
    private=False
)

chubstercat
/

llm-jp-3-13b-it