---
tags:
- text-classification
- transformers
license: apache-2.0
datasets:
- glue
model-index:
- name: bert-base-uncased
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: GLUE
      type: dataset
    metrics:
    - type: accuracy
      value: 90.5
language:
- ja
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。

## 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
  ```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）。
  ```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

  model, tokenizer = FastLanguageModel.from_pretrained(
      model_name=model_id,
      dtype=dtype,
      load_in_4bit=load_in_4bit,
      trust_remote_code=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)
  ```
## 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
  ```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 = ""

  # 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)

  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})
  ```
# 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
  ```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