onioni11/llm-jp-3-13b-finetune_mon2

実行手順

以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + onioni11/llm-jp-3-13b-finetune_mon2)を用いて、Omunicampas上のJupyterで、入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、その結果を{adapter_id}-outputs.jsonlというファイルに出力できます。

前提条件

Python環境があること（例: Omunicampus 演習環境） Hugging Faceのアクセストークン (HF_TOKEN) が取得済みであること

必要なライブラリのインストール

!pip install -U transformers
!pip install -U bitsandbytes
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft
!pip install -U wandb
!pip install ipywidgets --upgrade

Hugging Faceのトークンを取得

HF_TOKEN = "HFトークン"

モデル・トークナイザの読み込み

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

モデル読込

modelsディレクトリにダウンロード済みのllm-jp-3 1.8B, 3.7B, 13B（base_model_idの値はomnicampusの環境におけるモデルのパスを表しており、それ以外の環境で実行する場合は変更の必要があります）。

CC-BY-NC-SA-4.0 ライセンスです。

base_model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a" #Fine-Tuningするベースモデル
adapter_id = "onioni11/llm-jp-3-13b-finetune_mon2" 

QLoRAの設定

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

モデル読み込み

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

Peftモデルを適用

model = PeftModel.from_pretrained(model, adapter_id, token=HF_TOKEN)

タスクとなるデータの読み込み

omnicampusの開発環境では、フォルダにタスクのjsonlをドラッグアンドドロップしてから実行。

import json
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 = ""

モデルによるタスクの推論

from tqdm import tqdm
results = []
for data in tqdm(datasets):
  input = data["input"]
  prompt = f
  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=100,
          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})

出力の保存

import re
jsonl_id = re.sub(".*/", "", adapter_id)
with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)  # ensure_ascii=False for handling non-ASCII characters
        f.write('\n')

以上の手順で、{adapter_id}-outputs.jsonlというファイルに推論結果が書き出されます。