miya-99999/matsuo_llm_exp07_ckp6000

Model Description

このモデルは東京大学松尾・岩澤研究室のLLM講座2024の課題のために作られたものです。

• Base Model type: google/gemma-2-9b
• Language(s) (NLP): Main languages are English, Japanese
• License: This model is licensed under Gemma

Uses

以下はGoogle ColabでL4を用いた場合の実行コードです。 事前に現在のディレクトリ配下にelyza-tasks-100-TV_0.jsonlを配置する必要があります。

# ライブラリのインストール
!pip install transformers==4.46.3 accelerate==1.1.1

# モデル・アダプター・トークナイザーの読み込み
import torch
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
)

HF_TOKEN = "{your_hf_token}"
model_id = "google/gemma-2-9b"
adapter_id = "miya-99999/matsuo_llm_exp07_ckp6000"
device = "cuda" if torch.cuda.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(adapter_id, token=HF_TOKEN)
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    device_map=device,
    token=HF_TOKEN,
    torch_dtype=torch.bfloat16,
    use_cache=True
)

model.load_adapter(adapter_id, token=HF_TOKEN)

# テストデータの読み込み
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 = ""

# 推論
from tqdm import tqdm
results = []
for data in tqdm(datasets):

  input = data["input"]

  chat = [
    {"role": "user", "content": input},
  ]

  tokenized_input = tokenizer.apply_chat_template(chat, add_generation_prompt=True, tokenize=True, return_tensors="pt").to(model.device)
  with torch.no_grad():
      outputs = model.generate(
          tokenized_input,
          max_new_tokens=512,
          do_sample=False,
          repetition_penalty=1.2,
          pad_token_id=tokenizer.pad_token_id,
          eos_token_id=[1,107],
      )[0]
  output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)
  print("入力：", input)
  print("出力：", output)
  print("\n", "="*50, "\n")

  results.append({"task_id": data["task_id"], "input": input, "output": output})

# 推論結果の保存
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')

Fine-tuning Dataset

• llm-jp/oasst1-21k-ja (single turn) (*1)
• kunishou/hh-rlhf-49k-ja
• llm-jp/magpie-sft-v1.0
• WizardLMTeam/WizardLM_evol_instruct_70k
• HuggingFaceH4/instruction-dataset (*2)
• HuggingFaceH4/helpful-instructions (*2)

(*1)…シングルターンになるように対話の1回目だけ抽出。
(*2)…50,439件をランダムサンプリング。