llm-jp-3-13b_train.py

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from unsloth import FastLanguageModel
import torch
from datasets import load_dataset, concatenate_datasets

from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported

max_seq_length = 512 # unslothではRoPEをサポートしているのでコンテキスト長は自由に設定可能
dtype = None # Noneにしておけば自動で設定
load_in_4bit = True # 今回は8Bクラスのモデルを扱うためTrue

model_id = "llm-jp/llm-jp-3-13b"
new_model_id = "llm-jp-3-13b-it" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning
# FastLanguageModel インスタンスを作成
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# SFT用のモデルを用意
model = FastLanguageModel.get_peft_model(
    model,
    r = 32,
    target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                      "gate_proj", "up_proj", "down_proj",],
    lora_alpha = 32,
    lora_dropout = 0.05,
    bias = "none",
    use_gradient_checkpointing = "unsloth",
    random_state = 3407,
    use_rslora = False,
    loftq_config = None,
    max_seq_length = max_seq_length,
)


datasets_list = [
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-001-1.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-001-2.1.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-001-2.2.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-001-5.1.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-001-5.2.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-002-1.json",
    "/home/knishizawa/Matsuo_AI/LLM_Course2024/Distribution20241221_all/ichikara-instruction-003-003-1.json"
]

valid_datasets = []

# 学習時のプロンプトフォーマットの定義
prompt = """### 指示
{}
### 回答
{}"""
EOS_TOKEN = tokenizer.eos_token  # トークナイザーのEOSトークン

# フォーマット関数
def formatting_prompts_func(examples):
    input_text = examples["text"]
    output_text = examples["output"]
    text = prompt.format(input_text, output_text) + EOS_TOKEN
    return { "formatted_text": text }

# データセットのロードとフォーマット
for file in datasets_list:
    try:
        dataset = load_dataset("json", data_files=file, split="train")
        dataset = dataset.map(formatting_prompts_func, num_proc=4)
        valid_datasets.append(dataset)
        print(f"成功: {file} - {len(dataset)} 件ロード")
        # データ確認
        print(dataset[3]["formatted_text"])
    except Exception as e:
        print(f"エラー: {file} - {e}")

# マージと保存
if valid_datasets:
    merged_dataset = concatenate_datasets(valid_datasets)
    if len(merged_dataset) > 0:
        save_dir = "/home/knishizawa/Matsuo_AI/LLM_Course2024/merged_dataset"
        merged_dataset.save_to_disk(save_dir)
        print(f"マージされたデータセットが {save_dir} に保存されました。")
    else:
        print("マージされたデータセットが空です。")
else:
    print("有効なデータセットが見つかりませんでした。")


trainer = SFTTrainer(
    model = model,
    tokenizer = tokenizer,
    train_dataset=merged_dataset,
    max_seq_length = max_seq_length,
    dataset_text_field="formatted_text",
    packing = False,
    args = TrainingArguments(
        per_device_train_batch_size = 2,
        gradient_accumulation_steps = 4,
        num_train_epochs = 1,
        logging_steps = 10,
        warmup_steps = 10,
        save_steps=100,
        save_total_limit=2,
        max_steps=-1,
        learning_rate = 2e-4,
        fp16 = not is_bfloat16_supported(),
        bf16 = is_bfloat16_supported(),
        group_by_length=True,
        seed = 3407,
        output_dir = "outputs",
        report_to = "none",
    ),
)

# 学習実行
trainer_stats = trainer.train()
# モデルの保存ディレクトリ
save_dir = "./saved_model"
# モデルの保存
model.save_pretrained(save_dir)
# トークナイザの保存 (必要に応じて)
tokenizer.save_pretrained(save_dir)
print(f"モデルが {save_dir} に保存されました。")



# ELYZA-tasks-100-TVの読み込み。事前にファイルをアップロードしてください
# 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。
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 = ""

# 学習したモデルを用いてタスクを実行
from tqdm import tqdm

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

results = []
for dt in tqdm(datasets):
  input = dt["input"]

  prompt = f"""### 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]

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

# jsonlで保存
with open(f"{new_model_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')