Update README.md

README.md

@@ -10,7 +10,206 @@ license: apache-2.0
 language:
 - en
 ---
+"""python
 
+!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
+
+!pip install ipywidgets --upgrade
+
+import torch
+if torch.cuda.get_device_capability()[0] >= 8:
+    !pip install --no-deps packaging ninja einops "flash-attn>=2.6.3"
+
+HF_TOKEN = "MY-TOKEN" #@param {type:"string"}
+
+from unsloth import FastLanguageModel
+import torch
+max_seq_length = 1024 # 512->1024 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13B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-f" #Fine-Tuningしたモデルにつけたい名前、it: Instruction Tuning
+
+model, tokenizer = FastLanguageModel.from_pretrained(
+    model_name=model_id,
+    dtype=dtype,
+    load_in_4bit=load_in_4bit,
+    trust_remote_code=True,
+)
+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,
+)
+
+from datasets import load_dataset, DatasetDict
+dataset = load_dataset("DeL-TaiseiOzaki/Tengentoppa-sft-v1.0")
+sampled_train = dataset["train"].shuffle(seed=42).select(range(5000))
+dataset = DatasetDict({
+    "train": sampled_train
+})
+print(dataset)
+
+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["instruction"] # 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
+
+dataset = dataset.map(
+    formatting_prompts_func,
+    num_proc= 4, # 並列処理数を指定
+)
+
+dataset
+print(dataset["train"]["formatted_text"][3501])
+
+"""
+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()
+import json
+datasets = []
+with open("/content/drive/MyDrive/Student_LLM/05FinalReport/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 = ""
+from tqdm import tqdm
+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})
+
+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')
+
+https://docs.unsloth.ai/basics/saving-and-using-models
+
+model.push_to_hub_merged(
+    new_model_id+"_lora",
+    tokenizer=tokenizer,
+    save_method="lora",
+    token=HF_TOKEN,
+    private=True
+)
+"""
 # Uploaded  model
 
 - **Developed by:** HiroSan6595