Update README.md0

README.md

@@ -1,3 +1,87 @@
----
-license: apache-2.0
----
+---
+license: apache-2.0
+datasets:
+- kajuma/CC-news-2024-July-October-cleaned
+language:
+- ja
+base_model:
+- google/gemma-2-27b
+---
+本コードはunslothで学習したqLoRAのアダプタを用いてELYZA-tasks-100-TVの出力を得るためのコードです。
+このコードはunslothライブラリを用いてモデルを読み込み、推論するためのコードとなります。
+
+※本コードはGoogle Colabでの動作を想定しております。Omnicampus　GPU環境は未申請の為、Omnicampusでの動作は未検証です。
+※モデルサイズは約53Gで、L4環境にて初回ロードに15分程度要します。必要に応じてcache_dirの設定をお願いします。
+```python
+# 必要なライブラリをインストール
+%%capture
+!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
+
+# 必要なライブラリを読み込み
+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（Hugging FaceのIDを指定）。
+model_id = "Spice-Tateda/gemma-2-27b-cp"
+adapter_id = "Spice-Tateda/gemma-2-27b-lora-dpo"
+
+# Hugging Face Token を指定。
+HF_TOKEN = "your-token"
+
+# 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27Bモデルを扱うためTrue
+
+# モデルサイズは約53Gで、L4環境にて初回ロードに15分程度要します。必要に応じてcache_dirの設定をお願いします。
+model, tokenizer = FastLanguageModel.from_pretrained(
+    model_name=model_id,
+    dtype=dtype,
+    load_in_4bit=load_in_4bit,
+    trust_remote_code=True,
+    # cache_dir = "your-path-to-save-model"
+)
+
+# タスクとなるデータの読み込み。
+# 事前にデータをアップロードしてください。
+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 = ""
+
+# 推論するためにモデルのモードを変更
+FastLanguageModel.for_inference(model)
+
+# 推論実行。L4環境にて約25分程要します。
+results = []
+for dt in tqdm(datasets):
+  input = dt["input"]
+
+  prompt = f"""### 指示\n{input} 簡潔に回答してください。\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].lstrip('\n')
+
+  results.append({"task_id": dt["task_id"], "input": input, "output": prediction})
+
+# 結果をjsonlで保存。
+# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
+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')
+```