muchan23/llm-jp-3-13b-it_lora

Uploaded model

• Developed by: muchan23
• 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.

Google Colab の場合は上記の環境構築手順を行なわず、単にこのセルから実行していってください。

!pip uninstall unsloth -y !pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

Google Colab のデフォルトで入っているパッケージをアップグレード（Moriyasu さんありがとうございます）

!pip install --upgrade torch !pip install --upgrade xformers

notebookでインタラクティブな表示を可能とする（ただし、うまく動かない場合あり）

Google Colabでは実行不要

!pip install ipywidgets --upgrade

Install Flash Attention 2 for softcapping support

import torch if torch.cuda.get_device_capability()[0] >= 8: !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"

Hugging Face Token を指定

下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。

Write権限を付与してください。

https://huggingface.co/settings/tokens

HF_TOKEN = "" #@param {type:"string"}

あるいは Google Colab シークレットを使う場合、左のサイドバーより🔑マークをクリック

HF_TOKEN という名前で Value に Hugging Face Token を入れてください。

ノートブックからのアクセスのトグルをオンにし、下記の二行のコードのコメントアウトを外してください。

from google.colab import userdata

HF_TOKEN=userdata.get('HF_TOKEN')

llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。

from unsloth import FastLanguageModel import torch 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13B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, )

学習に用いるデータセットの指定

今回はLLM-jp の公開している Ichikara Instruction を使います。データにアクセスするためには申請が必要ですので、使いたい方のみ申請をしてください。

Ichikara Instruciton を Hugging Face Hub にて公開することはお控えください。

また、CC-BY-NC-SAですのでモデルはライセンスを継承する前提でお使いください。

下記のリンクから申請を終えた先に Google Drive があり、Distribution20241221_all というフォルダごとダウンロードしてください。

今回は「ichikara-instruction-003-001-1.json」を使います。必要であれば展開（!unzip など）し、データセットのパスを適切に指定してください。

omnicampusの開発環境では取得したデータを左側にドラッグアンドドロップしてお使いください。

Google Colab の場合も左のサイドバーよりドラッグ&ドロップでアップデートしてください。

https://liat-aip.sakura.ne.jp/wp/llmのための日本語インストラクションデータ作成/llmのための日本語インストラクションデータ-公開/

関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)

from datasets import load_dataset

data_dir = "/content/drive/MyDrive/LLM/Distribution20241221_all" files = os.listdir(data_dir) json_files = [f"{data_dir}/{f}" for f in files if f.endswith(".json") == True] dataset = load_dataset("json", data_files=json_files) #dataset = load_dataset("json", data_files="/content/drive/MyDrive/LLM/Distribution20241221_all/ichikara-instruction-003-001-1.json")

パスの指定にご注意ください。アップロードしたファイルを右クリックし、「パスをコピー」をクリック、上記の data_files と合致していることをご確認ください。Omnicampus のディレクトリ構造とは異なるかもしれません。

学習時のプロンプトフォーマットの定義

prompt = """### 指示 {}

回答

{}"""

""" formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """ EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン（文末トークン） def formatting_prompts_func(examples): input = examples["text"] # 入力データ output = examples["output"] # 出力データ text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass

# 各データにフォーマットを適用

dataset = dataset.map( formatting_prompts_func, num_proc= 4, # 並列処理数を指定 )

dataset

データを確認

print(dataset["train"]["formatted_text"][3])

ニュースデータの読み込み

ds = load_dataset("DeL-TaiseiOzaki/news_summary_2024secondhalf")

from datasets import concatenate_datasets

ニュースのデータを学習のデータセットに加える場合

prompt = """### 指示 {}

回答

{}"""

""" formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """

prompt_news = """### 以下は2024年のニュースの情報です {}"""

""" formatting_prompts_func: 各データをプロンプトに合わせた形式に合わせる """

EOS_TOKEN = tokenizer.eos_token # トークナイザーのEOSトークン（文末トークン） def formatting_prompts_func(examples): input = examples["text"] # 入力データ output = examples["output"] # 出力データ text = prompt.format(input, output) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass

def formatting_prompts_func_news(examples): news_data = examples["summary"] # ニュースの情報 text = prompt_news.format(news_data) + EOS_TOKEN # プロンプトの作成 return { "formatted_text" : text, } # 新しいフィールド "formatted_text" を返す pass

# 各データにフォーマットを適用

dataset = dataset.map( formatting_prompts_func, num_proc= 4, # 並列処理数を指定 )

ds = ds.map( formatting_prompts_func_news, num_proc= 4, # 並列処理数を指定 )

train_dataset = dataset["train"] #train_ds = ds["train"] # ニュースデータを全て用いる場合

一部のニュースデータのみを用いる場合

train_ds = ds["train"]

データをシャッフル（再現性を保つためseedを設定）

shuffled_ds = train_ds.shuffle(seed=42)

上位5000個を選択

sampled_ds = shuffled_ds.select(range(5000))

combined_dataset = concatenate_datasets([train_dataset, sampled_ds])

combined_dataset

""" training_arguments: 学習の設定

• output_dir: -トレーニング後のモデルを保存するディレクトリ

• per_device_train_batch_size:

  • デバイスごとのトレーニングバッチサイズ

• per_device_eval_batch_size:

  • デバイスごとの評価バッチサイズ

• gradient_accumulation_steps:

  • 勾配を更新する前にステップを積み重ねる回数

• optim:

  • オプティマイザの設定

• num_train_epochs:

  • エポック数

• eval_strategy:

  • 評価の戦略 ("no"/"steps"/"epoch")

• eval_steps:

  • eval_strategyが"steps"のとき、評価を行うstep間隔

• logging_strategy:

  • ログ記録の戦略

• logging_steps:

  • ログを出力するステップ間隔

• warmup_steps:

  • 学習率のウォームアップステップ数

• save_steps:

  • モデルを保存するステップ間隔

• save_total_limit:

  • 保存しておくcheckpointの数

• max_steps:

  • トレーニングの最大ステップ数

• learning_rate:

  • 学習率

• fp16:

  • 16bit浮動小数点の使用設定（第8回演習を参考にすると良いです）

• bf16:

  • BFloat16の使用設定

• group_by_length:

  • 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化)

• report_to:

  • ログの送信先 ("wandb"/"tensorboard"など) """ from trl import SFTTrainer from transformers import TrainingArguments from unsloth import is_bfloat16_supported

trainer = SFTTrainer( model = model, tokenizer = tokenizer, train_dataset=dataset["train"], max_seq_length = max_seq_length, dataset_text_field="formatted_text", packing = False,neftune_noise_alpha = 5, #変更点 args = TrainingArguments( per_device_train_batch_size = 4, # デバイスごとのトレーニングバッチサイズ gradient_accumulation_steps = 16, # デバイスごとの評価バッチサイズ num_train_epochs = 1, # エポック数 logging_steps = 10, # ログを出力するステップ間隔 warmup_steps = 10, # 学習率のウォームアップステップ数 save_steps=100, # モデルを保存するステップ間隔 save_total_limit=2, # 保存しておくcheckpointの数 max_steps=-1, # トレーニングの最大ステップ数 learning_rate = 2e-4, # 学習率 fp16 = not is_bfloat16_supported(), # 16bit浮動小数点の使用設定 bf16 = is_bfloat16_supported(), # BFloatの使用設定 group_by_length=True, # 入力シーケンスの長さによりバッチをグループ化 (トレーニングの効率化) seed = 3407, # 学習の再現性を保つためのメモとしての番号 ※あまり意識する必要はない output_dir = "outputs", report_to = "none", auto_find_batch_size = True #変更点 ), )

#@title 現在のメモリ使用量を表示 gpu_stats = torch.cuda.get_device_properties(0) start_gpu_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3) max_memory = round(gpu_stats.total_memory / 1024 / 1024 / 1024, 3) print(f"GPU = {gpu_stats.name}. Max memory = {max_memory} GB.") print(f"{start_gpu_memory} GB of memory reserved.")

#@title 学習実行 trainer_stats = trainer.train()

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("/content//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')

LoRAアダプタだけ保存

model.push_to_hub_merged( new_model_id+"_lora", tokenizer=tokenizer, save_method="lora", token=HF_TOKEN, private=True )