---
library_name: transformers
license: apache-2.0
datasets:
- kinokokoro/ichikara-instruction-003
language:
- ja
base_model:
- llm-jp/llm-jp-3-13b
---

# Model Card for Model ID

<!-- Provide a quick summary of what the model is/does. -->



## Model Details

このモデルは東京大学松尾・岩澤研究室のLLM講座2024の課題のために作られたものです。

- Base Model type: llm-jp/llm-jp-3-13b
- Language(s) (NLP): ja
- License: apache-2.0
- datasets:
  - Ichikara Instruction(kinokokoro/ichikara-instruction-003)


## How To Use
以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + shungoro/llm-jp-3-13b-finetune-1204)を用いて入力データ(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: Google Colab）
Hugging Faceのアクセストークン (HF_TOKEN) が取得済みであること

### セットアップ
必要なライブラリのインストールを行います。

```python
!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U pef
!pip install ipywidgets --upgrade
```

Hugging Faceのトークンを取得していることを確認してください。以下はGoogle Colabでuserdataを使う例です（実行環境に合わせて適宜変更してください）。
```
from google.colab import userdata
HF_TOKEN = userdata.get('HF_API_KEY')
```

#### モデルの読み込み

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

model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "shungoro/llm-jp-3-13b-finetune-1204"

# QLoRA用の設定
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(
    model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token=HF_TOKEN
)

tokenizer = AutoTokenizer.from_pretrained(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)
```



#### データの準備
./elyza-tasks-100-TV_0.jsonlというファイルからデータセットをロードします。

```python
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 = ""
```


#### 推論
```python
results = []
for data in tqdm(datasets):
    input_data = data["input"]

    prompt = f"""### 指示
              {input_data}
              ### 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=200,
            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)
    
    # 結果を保存
    results.append({
        "input": input_data,
        "output": output
    })
```

#### 出力処理
```python
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)
        f.write('\n')
```

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