---
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LoRA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"
)

# LoRAアダプタ結合時に、以下エラー発生の場合はpeftバージョンを上げる事を検討してください
# "LoraConfig.__init__() got an unexpected keyword argument 'eva_config'"
# !pip install --upgrade peft

# 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)

# 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')
```