Update README.md

README.md

@@ -20,3 +20,110 @@ 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)
+
+# 実行手順
+以下の手順に従うことで、Hugging Face上のモデル(llm-jp/llm-jp-3-13b + u-10bei/llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa)を用いて入力データ(elyza-tasks-100-TV_0.jsonl)を推論し、その結果を{adapter_id}-outputs.jsonlというファイルに出力できます。
+
+# 前提条件
+Python環境があること（例: Google Colab）
+Hugging Faceのアクセストークン (HF_TOKEN) が取得済みであること
+セットアップ
+必要なライブラリのインストールを行います。
+以下は、Google Colabでの実行例です。
+
+```
+!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
+
+# Google Colab シークレットを使う場合、左のサイドバーより🔑マークをクリック
+# 任意の名前で Value に Hugging Face Token を入れてください。
+# ノートブックからのアクセスのトグルをオンにし、下記コードを実行してください。
+
+from google.colab import userdata
+HF_TOKEN = userdata.get('{シークレットキー}') #シークレットキーの名前を入力
+
+# llm-jp/llm-jp-3-13bを4bit量子化のqLoRA設定でロード。
+
+from unsloth import FastLanguageModel
+import torch
+max_seq_length = 512 # 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 = "u-10bei/llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa"
+
+# FastLanguageModel インスタンスを作成
+
+model, tokenizer = FastLanguageModel.from_pretrained(
+    model_name=model_id,
+    dtype=dtype,
+    load_in_4bit=load_in_4bit,
+    trust_remote_code=True,
+)
+
+# SFT用のモデルを用意
+
+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,
+)
+
+# 入力データの準備
+# ./elyza-tasks-100-TV_0.jsonlというファイルからデータセットをロードします。
+
+import json
+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 = ""
+
+# 推論実行
+
+from tqdm import tqdm
+
+# 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})
+
+new_model_id = "llm-jp-3-13b-lora-orca-ichikara2_Tengentoppa"
+
+# 出力の保存
+# 最後に、adapter_idをベースにしたファイル名でJSONL形式の出力ファイルを保存します。
+
+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')
+
+```
+以上の手順で、{adapter_id}-outputs.jsonlというファイルに推論結果が書き出されます。