v284v/llm-jp-3-13b-temp

Uploaded model

• Developed by: v284v
• 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.

## モデル概要

このモデルは、`llm-jp/llm-jp-3-13b`をベースとした大規模言語モデル(LLM)を、特定のタスク向けにファインチューニングしたものです。
LoRA（Low-Rank Adaptation）の手法を用いて、計算資源を抑えつつ、タスクに特化した性能向上を目指しました。
本モデルは、ELYZA-tasks-100-TVデータセットにおけるタスクを解決するように学習されています。

## モデルの使用方法

### 1. 環境構築

まず、必要なライブラリをインストールします。

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

2. 推論コード

以下のコードは、Hugging Faceにアップロードされたモデルを用いて、ELYZA-tasks-100-TVデータセットのタスクに対する出力を生成します。

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

# Hugging Face Token
HF_TOKEN = "your_token" # Hugging Faceで取得したTokenをこちらに貼る。

# モデルIDとLoRAアダプタID
base_model_id = "llm-jp/llm-jp-3-13b" 
adapter_id = "v284v/llm-jp-3-13b-temp" # こちらにアップロードしたHugging FaceのIDを指定してください。

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

# モデルとトークナイザーのロード
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token = HF_TOKEN
)

tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token = HF_TOKEN)

# LoRAアダプタの統合
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

# データセットの読み込み
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 = ""

results = []
for data in tqdm(datasets):
  input = data["input"]
  prompt = f"""### 指示
  {input}
  ### 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=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})


# jsonlファイルに結果を書き出す
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)
        f.write('\n')

3. 提出ファイルの形式

上記のコードを実行すると、llm-jp-3-13b-temp-output.jsonl という形式のファイルが生成されます。このファイルが提出ファイルとなります。 各行はJSON形式で、以下のキーを含むオブジェクトで構成されます。

• task_id: タスクID
• input: 入力されたプロンプト
• output: モデルによって生成された出力

{"task_id": "0", "input": "与えられた文章を要約してください。文章: 今日は天気が良く、公園でピクニックをしました。", "output": "今日は天気が良く、公園でピクニックをした。"}
{"task_id": "1", "input": "次の文章を英語に翻訳してください。文章: こんにちは", "output": "Hello."}
...

注意点

• your_token の部分は、ご自身のHugging Faceトークンに置き換えてください。
• ./elyza-tasks-100-TV_0.jsonl は、タスクの入力データを含むファイルです。実際のファイルパスに合わせて変更してください。