---
base_model: llm-jp/llm-jp-3-13b
tags:
- text-generation-inference
- transformers
- unsloth
- llama
- trl
license: apache-2.0
language:
- en
---

# Uploaded  model

- **Developed by:** yusuke0505
- **License:** apache-2.0
- **Finetuned from model :** llm-jp/llm-jp-3-13b

This llama model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library.

[<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)

#Sample Use
!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets

!pip install ipywidgets --upgrade

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

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

# 自分の作成したモデルのIDをこちらに貼る。
model_name = "yusuke0505/llm-jp-3-13b-it"

# QLoRA config
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=False,
)

from transformers import AutoModelForCausalLM, AutoTokenizer

# モデル名を指定
model_name = "yusuke0505/llm-jp-3-13b-it"

# 量子化設定（例として4ビット量子化）
bnb_config = {
    "load_in_4bit": True  # 必要に応じて変更
}

# モデルをロード
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto",
    use_auth_token="your-token"  # Hugging Faceトークンを指定（必要な場合）
)

# トークナイザをロード
tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    use_auth_token="your-token"
)

import json  # 必要なモジュールをインポート

# データセットの読み込み。
# omnicampusの開発環境では、左にタスクのjsonlをドラッグアンドドロップしてから実行。
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 = ""

from tqdm import tqdm

# gemma
results = []
for data in tqdm(datasets):

    input_text = data["input"]
    prompt = f"""### 指示
{input_text}
### 回答：
"""

    # トークナイズ処理
    input_ids = tokenizer(prompt, return_tensors="pt").to(model.device)
    input_ids.pop("token_type_ids", None)  # GPT系モデルでは不要な "token_type_ids" を削除

    # モデルでテキスト生成
    outputs = model.generate(
        **input_ids,
        max_new_tokens=512,
        do_sample=False,
        repetition_penalty=1.2,
    )

    # 出力をデコード
    output = tokenizer.decode(
        outputs[0][input_ids["input_ids"].size(1):], skip_special_tokens=True
    )

    # 結果をリストに追加
    results.append({"task_id": data["task_id"], "input": input_text, "output": output})

# 結果を確認（オプション）
print(results)        

import torch  # torchをインポート
from tqdm import tqdm  # tqdmをインポート（プログレスバー用）

# llmjp
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)
  with torch.no_grad():
      outputs = model.generate(
          tokenized_input,
          max_new_tokens=100,
          do_sample=False,
          repetition_penalty=1.2
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

  results.append({"task_id": data["task_id"], "input": input, "output": output})

# jsolの生成
import re
model_name = re.sub(".*/", "", model_name)
with open(f"./{model_name}-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')