Update Readme.md

README.md

@@ -22,80 +22,88 @@ language:
 base_model:
 - llm-jp/llm-jp-3-13b
 ---
-# 実行手順
-以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + /sncffcns/llm-jp-3-13b-it-20241127_lora)を用いて入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、
-その結果を{adapter_id}-outputs.jsonlというファイルに出力することができる。
+## 実行手順
+以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + /sncffcns/llm-jp-3-13b-it-20241127_lora)を用いて入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、その結果を{adapter_id}-outputs.jsonlというファイルに出力することができる。
 
-# ライブラリのインストールを行う
-!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
+## ライブラリのインストールを行う
+  ```bash
+  !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
+  ```
 
-# 必要なライブラリの読み込みを行う
-from unsloth import FastLanguageModel
-from peft import PeftModel
-import torch
-import json
-from tqdm import tqdm
-import re
+## 必要なライブラリの読み込みを行う
+  ```python
+  from unsloth import FastLanguageModel
+  from peft import PeftModel
+  import torch
+  import json
+  from tqdm import tqdm
+  import re
+  ```
 
 # ベースとなるモデルと学習したLoRAのアダプタを設定する（Hugging FaceのIDを指定）。
-model_id = "llm-jp/llm-jp-3-13b"
-adapter_id = "sncffcns/llm-jp-3-13b-it-20241127_lora"
+  ```python
+  model_id = "llm-jp/llm-jp-3-13b"
+  adapter_id = "sncffcns/llm-jp-3-13b-it-20241127_lora"
 
-# Hugging Face Token を指定する
-from google.colab import userdata
-HF_TOKEN = userdata.get('HF_TOKEN_WRITE')
 
-# unslothのFastLanguageModelで元のモデルをロード。
-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
+  # Hugging Face Token を指定する
+  from google.colab import userdata
+  HF_TOKEN = userdata.get('HF_TOKEN_WRITE')
 
-model, tokenizer = FastLanguageModel.from_pretrained(
-    model_name=model_id,
-    dtype=dtype,
-    load_in_4bit=load_in_4bit,
-    trust_remote_code=True,
-)
+  # unslothのFastLanguageModelで元のモデルをロード。
+  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
 
-# 元のモデルにLoRAのアダプタを統合する
-model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
+  model, tokenizer = FastLanguageModel.from_pretrained(
+      model_name=model_id,
+      dtype=dtype,
+      load_in_4bit=load_in_4bit,
+      trust_remote_code=True,
+  )
 
-# タスクとなるデータの読み込み。
+# 元のモデルにLoRAのアダプタを統合する
+  model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
+  ```
+## タスクとなるデータの読み込み。
 # ./elyza-tasks-100-TV_0.jsonlというファイルからデータセットをロードする
-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 = ""
-
-# モデルを用いてタスクの推論を行う
-# 推論するためにモデルのモードを変更する
-FastLanguageModel.for_inference(model)
+  ```python
+  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 = ""
 
-results = []
-for dt in tqdm(datasets):
-  input = dt["input"]
+  # モデルを用いてタスクの推論を行う
+  # 推論するためにモデルのモードを変更する
+  FastLanguageModel.for_inference(model)
 
-  prompt = f"""### 指示\n{input}\n### 回答\n"""
+  results = []
+  for dt in tqdm(datasets):
+    input = dt["input"]
 
-  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
+    prompt = f"""### 指示\n{input}\n### 回答\n"""
 
-  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]
+    inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)
 
-  results.append({"task_id": dt["task_id"], "input": input, "output": prediction})
+    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})
+  ```
 # 結果をjsonlで保存する
 # adapter_idをベースにしたファイル名でJSONL形式の出力ファイルを保存する
-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')
+  ```python
+  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')
+  ```
 # 以上の手順で、{adapter_id}-outputs.jsonlというファイル名で推論結果が作成される