Shiho2/llm-jp-3-13b-it_lora

Uploaded model

• Developed by: Shiho2
• 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.

モデルの利用方法

次のライブラリをインストールします。

• unsloth
• torch
• peft

以下のコマンドをGoogle Colabで実行してください。

!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

次にライブラリを読み込みます。

# 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

使用するモデルとLoRAアダプタのIDを指定します。また、Write権限を持つHugging Faceの認証トークンを準備します。

model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "Shiho2/llm-jp-3-13b-it_lora"
HF_TOKEN = "あなたのHugging Faceトークン"  # 例: hf_123abcXYZ

FastLanguageModelを使用してモデルをロードします。

dtype = None  # 自動設定
load_in_4bit = True  # メモリ効率を高めるために4ビット精度でロード

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

PeftModelを使用して、ロード済みのモデルにLoRAアダプタを統合します。

model = PeftModel.from_pretrained(model, adapter_id, token=HF_TOKEN)

推論するデータをJSONL形式で準備し、Google Colab環境にアップロードします。以下のコードでデータを読み込みます。

# タスクとなるデータの読み込み。
# データをアップロードし、your-filepathにデータのパスを設定してください。
datasets = []
with open("your-filepath", "r") as f:
    item = ""
    for line in f:
      line = line.strip()
      item += line
      if item.endswith("}"):
        datasets.append(json.loads(item))
        item = ""

モデルを推論モードに変更し、データを順次処理します。

# モデルを用いてタスクの推論。

# 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})

推論結果をJSONL形式で保存します。

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')