Update README.md

README.md

@@ -20,3 +20,116 @@ language:
 This llama model was trained 2x faster with [Unsloth](https://github.com/unslothai/unsloth) and Huggingface's TRL library.
 
 [<img src="https://raw.githubusercontent.com/unslothai/unsloth/main/images/unsloth%20made%20with%20love.png" width="200"/>](https://github.com/unslothai/unsloth)
+
+# 推論に使用したcolab-notebook
+
+https://colab.research.google.com/drive/195MaBVO4dsuO-iA3O7pjYoSUKOBvnQJ8#scrollTo=I5B5MOHuBy8b
+
+# notebookをpythonに変換したコード
+* HF_TOKENは削除している
+* 
+
+```python
+# -*- coding: utf-8 -*-
+"""Model_Inference_Template_unsloth_20241127.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/195MaBVO4dsuO-iA3O7pjYoSUKOBvnQJ8
+
+# 推論用コード
+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。  
+Hugging Faceにアダプタをアップロードしてあることが前提となります。
+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。
+このコードで生成されたjsonlファイルは課題の成果として提出可能なフォーマットになっております。
+
+※本コードはGoogle Colabでの動作を想定しており、Omnicampusでの動作を想定しておりません。
+Omnicampus向けのコードは別途用意しております。
+"""
+
+from google.colab import drive
+drive.mount('/content/drive')
+
+# Commented out IPython magic to ensure Python compatibility.
+# # 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
+
+!ls /content/drive/MyDrive/elyza-tasks-100-TV_0.jsonl
+
+# 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 = "llm-jp/llm-jp-3-13b"
+adapter_id = "atsushi3110/ljp-13b-it"
+
+# Hugging Face Token を指定。
+# 下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。
+# https://huggingface.co/settings/tokens
+HF_TOKEN = "" #@param {type:"string"}
+
+# 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,
+)
+
+# 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("./drive/MyDrive/lecture2024/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。
+
+# 推論するためにモデルのモードを変更
+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})
+
+# 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')
+
+```
+