見出し画像

WSL2でsuzume-llama-3-8B-japaneseを試してみる

noguchi-shoji

「3,000 以上の日本語会話に合わせて微調整されており、このモデルには Llama 3のインテリジェンスがありながら、日本語でチャットする機能が追加されている」らしい、Suzumeを試してみます。

使用するPCはドスパラさんの「GALLERIA UL9C-R49」。スペックは
・CPU: Intel® Core™ i9-13900HX Processor
・Mem: 64 GB
・GPU: NVIDIA® GeForce RTX™ 4090 Laptop GPU(16GB)
・GPU: NVIDIA® GeForce RTX™ 4090 (24GB)
・OS: Ubuntu22.04 on WSL2（Windows 11）
です。


1. 準備

venr構築

python3 -m venv suzume
cd $_
source bin/activate

パッケージのインストール。

pip install torch transformers accelerate

2. 流し込むコード

いつものコードです。query.pyという名前で保存した想定で以下進めます。

import sys
import argparse
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
from typing import List, Dict
import time

# argv
parser = argparse.ArgumentParser()
parser.add_argument("--model-path", type=str, default=None)
parser.add_argument("--no-chat", action='store_true')
parser.add_argument("--no-use-system-prompt", action='store_true')
parser.add_argument("--max-tokens", type=int, default=256)

args = parser.parse_args(sys.argv[1:])

model_id = args.model_path
if model_id == None:
    exit

is_chat = not args.no_chat
use_system_prompt = not args.no_use_system_prompt
max_new_tokens = args.max_tokens

# トークナイザーとモデルの準備
tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True
)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    #torch_dtype="auto",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    #device_map="cuda",
    low_cpu_mem_usage=True,
    trust_remote_code=True
)
#if torch.cuda.is_available():
#    model = model.to("cuda")

streamer = TextStreamer(
    tokenizer,
    skip_prompt=True,
    skip_special_tokens=True
)

DEFAULT_SYSTEM_PROMPT = "あなたは誠実で優秀な日本人のアシスタントです。"

# generation params
generation_params = {
    "do_sample": True,
    "temperature": 0.8,
    "top_p": 0.95,
    "top_k": 40,
    "max_new_tokens": max_new_tokens,
    "repetition_penalty": 1.1,
}


def q(
    user_query: str,
    history: List[Dict[str, str]]=None
) -> List[Dict[str, str]]:
    start = time.process_time()
    # messages
    messages = ""
    if is_chat:
        messages = []
        if use_system_prompt:
            messages = [
                {"role": "system", "content": DEFAULT_SYSTEM_PROMPT},
            ]
        user_messages = [
            {"role": "user", "content": user_query}
        ]
    else:
        user_messages = user_query
    if history:
        user_messages = history + user_messages
    messages += user_messages
    # generation prompts
    if is_chat:
        prompt = tokenizer.apply_chat_template(
            conversation=messages,
            add_generation_prompt=True,
            tokenize=False
        )
    else:
        prompt = messages
    input_ids = tokenizer.encode(
        prompt,
        add_special_tokens=True,
        return_tensors="pt"
    )
    print("--- prompt")
    print(prompt)
    print("--- output")
    # 推論
    output_ids = model.generate(
        input_ids.to(model.device),
        streamer=streamer,
        **generation_params
    )
    output = tokenizer.decode(
        output_ids[0][input_ids.size(1) :],
        skip_special_tokens=True
    )
    if is_chat:
        user_messages.append(
            {"role": "assistant", "content": output}
        )
    else:
        user_messages += output
    end = time.process_time()
    ##
    input_tokens = len(input_ids[0])
    output_tokens = len(output_ids[0][input_ids.size(1) :])
    total_time = end - start
    tps = output_tokens / total_time
    print(f"prompt tokens = {input_tokens:.7g}")
    print(f"output tokens = {output_tokens:.7g} ({tps:f} [tps])")
    print(f"   total time = {total_time:f} [s]")
    return user_messages

print('history = ""')
print('history = q("ドラえもんとはなにか")')
print('history = q("続きを教えてください", history)')

3. 試してみる

Hugging Faceのパスを指定して起動です。

python -i /path/to/query.py --model-path lightblue/suzume-llama-3-8B-japanese

聞いてみる

とりあえず聞いてみましょう。

>>> history = q("ドラえもんとはなにか")
--- prompt
<|begin_of_text|><|start_header_id|>system<|end_header_id|>

あなたは誠実で優秀な日本人のアシスタントです。<|eot_id|><|start_header_id|>user<|end_header_id|>

ドラえもんとはなにか<|eot_id|><|start_header_id|>assistant<|end_header_id|>


--- output
The attention mask and the pad token id were not set. As a consequence, you may observe unexpected behavior. Please pass your input's `attention_mask` to obtain reliable results.
Setting `pad_token_id` to `eos_token_id`:128001 for open-end generation.
ドラえもんは日本の漫画シリーズです。1974年に藤子・F・不二雄によって創作され、1979年から1985年までの間、「テレビランド」誌上に連載されました。また、この作品はその後も様々な形で再刊され、続編が制作されています。

この物語は、未来世紀を舞台にしたSFファンタジーである。その主人公である十郎太（のちにしおん）とその友人たちが、時空間移動手段を提供するロボット「ドラえもん」と出会い、様々な冒険を繰り広げ ます。このロボットは、その持つ多種多様な道具と能力が、主人公たちの日常生活や冒険の中で重要な役割を果たします。

ドラえもんは、日本におけるポピュラー文化の一部であり、大人になった後の世代でも愛されています。
prompt tokens = 39
output tokens = 211 (22.015901 [tps])
   total time = 9.583982 [s]

ドラえもんは日本の漫画シリーズです。1974年に藤子・F・不二雄によって創作され、1979年から1985年までの間、「テレビランド」誌上に連載されました。また、この作品はその後も様々な形で再刊され、続編が制作されています。

この物語は、未来世紀を舞台にしたSFファンタジーである。その主人公である十郎太（のちにしおん）とその友人たちが、時空間移動手段を提供するロボット「ドラえもん」と出会い、様々な冒険を繰り広げます。このロボットは、その持つ多種多様な道具と能力が、主人公たちの日常生活や冒険の中で重要な役割を果たします。

ドラえもんは、日本におけるポピュラー文化の一部であり、大人になった後の世代でも愛されています。

lightblue/suzume-llama-3-8B-japanese

未来世紀といえばブラジル。
結果がちょっと微妙なのはそもそものLlama 3の学習データがEnglish 95%？だからなのか…。Llama 3自体の推論も同じような感じでしたし。

4. まとめ

推論の速度は22トークン/秒ぐらい、VRAMは15.6GBほどでした。

RTX 4090(24GB)

この記事が気に入ったらサポートをしてみませんか？