morizon's picture
Update README.md
f51891b verified
|
raw
history blame
4.41 kB
---
language: ja
license: apache-2.0
tags:
- text-generation
- transformers
- lora
model_name: llm-jp-3-13b_mix_30000_1209
base_model: llm-jp/llm-jp-3-13b
adapter_model: morizon/llm-jp-3-13b_mix_30000_1209
inference_framework: transformers
---
# llm-jp-3-13b_mix_30000_1209
このモデルは日本語テキスト生成タスク向けに最適化されたLoRAアダプタ付きのモデルです。
## Sample Use
以下は、elyza-tasks-100-TV_0.jsonl回答のためのコードです。
```python
!pip install -U bitsandbytes
!pip install -U transformers
!pip install -U accelerate
!pip install -U datasets
!pip install -U peft
from transformers import (
AutoModelForCausalLM,
AutoTokenizer,
BitsAndBytesConfig,
)
from peft import PeftModel
import torch
from tqdm import tqdm
import json
# Hugging Faceで取得したTokenをこちらに貼る。
HF_TOKEN = "your_token"
# ベースとなるモデルと学習したLoRAのアダプタ。
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "morizon/llm-jp-3-13b_mix_30000_1209"
# QLoRA config
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16,
)
# Load model
model = AutoModelForCausalLM.from_pretrained(
model_id,
quantization_config=bnb_config,
device_map="auto",
token = HF_TOKEN
)
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)
# 元のモデルにLoRAのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
# モデルを評価モード(推論モード)に切り替える
model.eval()
# データセットの読み込み。
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 = ""
# システムプロンプト(固定の指示)
system_prompt = """
あなたはユーザが知りたいことを正確に把握し、的確に回答するアシスタントです。
1. 指示に従う際は、必ずその内容を完全に理解し、結論を優先的に考慮するように心掛けてください。
2. 問題の解答となる根拠は、常に文章内から探し出すようにして下さい。
3. 指示から主要な情報と詳細を抽出し、要点を漏らさず回答することを重視して下さい。
4. 回答のトーンやスタイルは、与えられたテーマや質問に合わせて柔軟に調整して下さい。
5. 回答を作成した後は、必ず推敲を行い、誤りや曖昧さがないかどうか確認して下さい。
"""
results = []
# データセットの処理
for data in tqdm(datasets):
input_text = data["input"]
# プロンプトの構築(システムプロンプト + ユーザー入力)
prompt = f"""### 指示
{system_prompt}
{input_text}
### 回答
"""
# トークナイズ
tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device)
attention_mask = torch.ones_like(tokenized_input)
# 推論パラメータの設定
max_new_tokens = 1024
do_sample = True
top_p = 0.95
temperature = 0.7
repetition_penalty = 1.05
# 推論実行
with torch.no_grad():
outputs = model.generate(
tokenized_input,
attention_mask=attention_mask, # attention_maskを明示的に指定
max_new_tokens=max_new_tokens,
do_sample=do_sample,
top_p=top_p,
temperature=temperature,
repetition_penalty=repetition_penalty,
pad_token_id=tokenizer.eos_token_id
)[0]
# 出力の整形
output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)
# 結果を表示
print(f"Task ID: {data['task_id']}\nInput: {input_text}\nOutput: {output}\n{'-'*50}")
# 結果の保存
results.append({"task_id": data["task_id"], "input": input_text, "output": output})
import re
jsonl_id = re.sub(".*/", "", adapter_id)
with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f:
for result in results:
json.dump(result, f, ensure_ascii=False) # ensure_ascii=False for handling non-ASCII characters
f.write('\n')
```