---
base_model: aolans/gemma-2-9b_q4
tags:
- text-generation-inference
- transformers
- unsloth
- gemma2
- trl
license: gemma
language:
- ja
---
# Uploaded model
- **Developed by:** aolans
- **License:** gemma
- **Finetuned from model :** aolans/gemma-2-9b_q4
# Model
「[日本語reasoningモデルを作る](https://zenn.dev/kendama/articles/544d7b1216a8d7)」を参考に
CoTデータによるファインチューニングで作成した「**CoT reasoningモデル**」です。
## 目的
ELYZA-tasks-100 （の亜種）に対する精度アップを目的としています。
（実用的ではないかもしれません。）
## 親モデル
[Google/gemma-2-9b](https://huggingface.co/google/gemma-2-9b) に対してUnslothで量子化（⇒ aolans/gemma-2-9b_q4）
Unsloth利用時に Unsloth/Gemma-2-9b(4bit量子化版) が適用されてしまうため
ローカルにGemma-2-9Bをダウンロードし、そちらをベースにしています。
## データセット
まず、日本語学習の為、以下データセットでSFT実施。
- [CohereForAI/aya_dataset](https://huggingface.co/datasets/CohereForAI/aya_dataset) （※英語と日本語のデータのみ）
- [Kendamarron/jimba-instuction-1k-beta](https://huggingface.co/datasets/Kendamarron/jimba-instuction-1k-beta) （※長文出力の為）
次にCoT対応の為、以下データセットでSFT実施。
`difficulty` =「very easy」or「easy」と、「medium」の一部を使用しています。
- [Kendamarron/Magpie-Tanuki-8B-CoT](https://huggingface.co/datasets/Kendamarron/Magpie-Tanuki-8B-CoT)
## 参考資料
- [日本語reasoningモデルを作る](https://zenn.dev/kendama/articles/544d7b1216a8d7)
- [LLMだけでデータセット生成してみよう！Magpie方式でのprompt生成](https://note.com/kurogane_himaki/n/n223c0b29bd6a)
- [Magpie: Alignment Data Synthesis from Scratch by Prompting Aligned LLMs with Nothing](https://arxiv.org/abs/2406.08464)
## Usage
```
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
from unsloth import FastLanguageModel
from huggingface_hub import hf_hub_download
import importlib.util
model_name = "aolans/gemma-2-9b-it-1e-cot_lora"
# *** モデル・トークナイザ生成（Unsloth使用）***
model, tokenizer = FastLanguageModel.from_pretrained(
model_name=model_name,
dtype=None,
load_in_4bit=True,
trust_remote_code=True,
)
# *** 推論するためにモデルのモードを変更 ***
FastLanguageModel.for_inference(model)
# *** カスタム関数導入 ***
file_path = hf_hub_download(
repo_id=model_name,
filename="custom_functions.py",
)
spec = importlib.util.spec_from_file_location("custom_functions", file_path)
custom_functions = importlib.util.module_from_spec(spec)
spec.loader.exec_module(custom_functions)
# 質問内容
# ※ユーザーからの質問内容をそのまま指定してください。
# 下記カスタム関数でシステムプロンプトを生成します。
input = "1から10までの整数を足すと？"
# *** 推論 ***（
# カスタム関数 「generate_cot_two」
# CoTプロンプトを利用して回答精度を上げる。推論を「思考過程」と「回答」の2回に分けて実施。
# 返却値を「出力全体」「思考過程」と「回答」の3つに分けて出力
output, answers, thought = custom_functions.generate_cot_two( model, tokenizer, input )
print(output)
```
## カスタム関数
システムプロンプトの作成や不要な文字列（タブ）の除去を行うため
以下ファイルに自作関数を納めています。
[custom_functions.py](https://huggingface.co/aolans/gemma-2-9b-it-1e-cot_lora/blob/main/custom_functions.py)
推論時は用途に応じて以下を使い分けてください
#### - CoT推論 「generate_cot_one」
generate_cot_one
```python
# CoTプロンプトを利用して回答精度を上げる。回答に「思考の過程」を含む
output = custom_functions.generate_cot_one( model, tokenizer, input )
```
#### - 時間をかけて2段階CoT推論 「generate_cot_two」
generate_cot_two
```python
# CoTプロンプトを利用して回答精度を上げる。推論を「思考過程」と「回答」の2回に分けて実施。
# 返却値を「出力全体」「思考過程」と「回答」の3つに分けて出力
output, answers, thought = custom_functions.generate_cot_two( model, tokenizer, input )
```
#### - 通常の推論 「generate_simple」
generate_simple
```
# ごく単純なシステムプロンプトで回答する。
output = custom_functions.generate_simple( model, tokenizer, input )
```
## Usage - 2
スミマセン、タイムオーバーしていることを承知で以下追記します。
**elyza-tasks-100-TV** の実行処理
```
# 必要なライブラリをインストール
!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
from huggingface_hub import hf_hub_download
import importlib.util
# 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 = "aolans/gemma-2-9b-it-1e-cot_lora"
# 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13Bモデルを扱うためTrue
model, tokenizer = FastLanguageModel.from_pretrained(
model_name=model_id,
dtype=dtype,
load_in_4bit=load_in_4bit,
trust_remote_code=True,
)
# *** カスタム関数導入 ***
file_path = hf_hub_download(
repo_id=model_id,
filename="custom_functions.py",
# token=HF_TOKEN
)
spec = importlib.util.spec_from_file_location("custom_functions", file_path)
custom_functions = importlib.util.module_from_spec(spec)
spec.loader.exec_module(custom_functions)
# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(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 = ""
# モデルを用いてタスクの推論。
results = []
for dt in tqdm(datasets):
input = dt["input"]
# *** 推論 ***（
# カスタム関数 「generate_cot_two」
# CoTプロンプトを利用して回答精度を上げる。推論を「思考過程」と「回答」の2回に分けて実施。
# 返却値を「出力全体」「思考過程」と「回答」の3つに分けて出力
output, _, _ = custom_functions.generate_cot_two_j( model, tokenizer, input )
results.append({"task_id": dt["task_id"], "input": input, "output": output})
# こちらで生成されたjsolを提出してください。
# 本コードではinputとeval_aspectも含んでいますが、なくても問題ありません。
# 必須なのはtask_idとoutputとなります。
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')
```
This gemma2 model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library.
[
](https://github.com/unslothai/unsloth)