ykuma777/my_model_name

Uploaded model

• Developed by: ykuma777
• 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.

---

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+ykuma777/my_model_name)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

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）。

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。

# 必要なライブラリをインストール
%%capture
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install -U torch
!pip install -U peft

# 必要なライブラリを読み込み
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re

# ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "ykuma777/my_model_name"

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。

# Hugging Faceのトークンを取得
from google.colab import userdata
HF_TOKEN = userdata.get('HF_TOKEN')

モデル・トークナイザの読み込み

# unslothのFastLanguageModelで元のモデルをロード。
dtype = None # Noneにしておけば自動で設定
load_in_4bit = True # 今回は13Bモデルを扱うためTrue
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# 元のモデルにLoRAのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

入力データの準備

# タスクとなるデータセットの読み込み。
# ./elyza-tasks-100-TV_0.jsonlというファイルから事前にデータセットをアップロードしてください。
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 = ""

# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

推論実行

# モデルを用いてタスクの推論。
results = []
for dt in tqdm(datasets):
  input = dt["input"]
  prompt = f"""### ステップバイステップで考えます。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, repetition_penalty=1.2)
  prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]

# 結果を保存
results.append({"task_id": dt["task_id"], "input": input, "output": prediction})

出力の保存 最後に、adapter_idをベースにしたファイル名でJSONL形式の出力ファイルを保存します。

# 推論の結果をjsonlで保存。
json_file_id = re.sub(".*/", "", adapter_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')

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

---