| --- |
| base_model: llm-jp/llm-jp-3-13b |
| tags: |
| - text-generation-inference |
| - transformers |
| - unsloth |
| - llama |
| - trl |
| license: apache-2.0 |
| language: |
| - en |
| --- |
| |
| # Uploaded model |
|
|
| - **Developed by:** sncffcns |
| - **License:** apache-2.0 |
| - **Finetuned from model :** llm-jp/llm-jp-3-13b |
|
|
| This llama model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library. |
|
|
| [<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth) |
|
|
| # パッケージのインストール |
| !pip uninstall unsloth -y |
| !pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git" |
| !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） |
| !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" |
| |
| # llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。 |
| |
| from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig |
| 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8Bクラスのモデルを扱うため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, |
| ) |
| |
| # Hugging Face Token を指定 |
| from google.colab import userdata |
| HF_TOKEN=userdata.get('HF_TOKEN_WRITE') |
| |
| # 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。 |
| |
| # 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 |
| |
| dataset = load_dataset("json", data_files="/content/ichikara-instruction-003-001-1.json") |
| |
| # 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]) |
|
|
| """ |
| 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, |
| args = TrainingArguments( |
| per_device_train_batch_size = 2, |
| gradient_accumulation_steps = 4, |
| num_train_epochs = 1, |
| logging_steps = 10, |
| warmup_steps = 10, |
| save_steps=100, |
| save_total_limit=2, |
| max_steps=-1, |
| learning_rate = 2e-4, |
| fp16 = not is_bfloat16_supported(), |
| bf16 = is_bfloat16_supported(), |
| group_by_length=True, |
| seed = 3407, |
| output_dir = "outputs", |
| report_to = "none", |
| ), |
| ) |
| |
| #@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("./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') |
| |
| # モデルとトークナイザーをHugging Faceにアップロード。 |
| model.push_to_hub_merged( |
| new_model_id, |
| tokenizer=tokenizer, |
| save_method="lora", |
| token=HF_TOKEN, |
| private=True |
| ) |
