pinokio7kayo/llm-jp-3-13b-sft

Uploaded model

• Developed by: pinokio7kayo
• 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.

モデルを用いて推論する手順(Omnicampus上を想定)

環境構築

# terminalを起動し、conda環境を構築する
wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"  
bash Miniforge3-$(uname)-$(uname -m).sh  

export PATH=/root/miniforge3/bin:$PATH  
conda init  

# terminalを再起動する
# 参考資料：https://docs.unsloth.ai/get-started/installation/conda-install  
conda create --name unsloth_env python=3.10 pytorch-cuda=12.1 pytorch cudatoolkit xformers -c pytorch -c nvidia -c xformers -y  
conda activate unsloth_env  
pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"  
pip install --no-deps "trl<0.9.0" peft accelerate bitsandbytes  

# jupyter notebook用にセットアップする
conda install -c conda-forge ipykernel  
python -m ipykernel install --user --name=unsloth_env --display-name "Python (unsloth_env)"  

ノートブックでの推論

ノートブックを立ち上げ、カーネルunsloth_envを選択する。 ノートブックと同じフォルダに、評価用データelyza-tasks-100-TV_0.jsonlを保存する。

次のコードを順に実行する。

# ライブラリをインポートする
from unsloth import FastLanguageModel
import torch
import json

# モデル名を指定する
model_name = "pinokio7kayo/llm-jp-3-13b-sft"

# モデルを準備する
max_seq_length = 2048
dtype = None
load_in_4bit = True

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = model_name,
    max_seq_length = max_seq_length,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    token = "HF token",
)
FastLanguageModel.for_inference(model)

# 評価用データを読み込む
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
from tqdm import tqdm

# 推論
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})

# ファイルに出力する
with open(f"output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')