見出し画像

WSL2でSakana AIを試してみる

noguchi-shoji

「進化的モデルマージにより日本語数学LLMとして構築したEvoLLM-JPは、数学のみならず、日本語の全般的な能力に長けている」らしいEvoLLM-JPを試してみます。

追記（2024/3/22）
10Bのモデルですが、torch_dtypeを"auto"からtorch.bfloat16に変更すると、推論のスピードが改善しました。

モデルEvoLLM-JPは、3種提供されています。今回は３つとも試します。
- 大規模言語モデル
　SakanaAI/EvoLLM-JP-v1-10B : MICROSOFT RESEARCH LICENSE TERMS
　SakanaAI/EvoLLM-JP-v1-7B :  MICROSOFT RESEARCH LICENSE TERMS
　SakanaAI/EvoLLM-JP-A-v1-7B : Apache License, Version 2.0

※画像言語モデルは、別の機会に。
　SakanaAI/EvoVLM-JP-v1-7B : Apache License, Version 2.0

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

venv構築

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

パッケージのインストール。

pip install torch transformers accelerate flash_attn

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",
    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

(1) SakanaAI/EvoLLM-JP-v1-10B

pythonコマンドで起動して、

python -i query.py --model-path SakanaAI/EvoLLM-JP-v1-10B

と実行して、聞いてみます。

>>> history = q("ドラえもんとはなにか")

--- output
「ドラえもん」は、藤子・F・ガMOの漫画「ドラえもん」の主人公の小さなロボットです。ドラえもんは、冒険を好み、お客様を助けることを喜びます。彼はしゃらくま（コアラ）の胃の袋内に身を隠して、困難に直面した時に出現し、解決策を提供します。
prompt tokens = 55
output tokens = 136 (0.087481 [tps])
total time = 1554.620631 [s]

SakanaAI/EvoLLM-JP-v1-10Bより

26分かかりました。少し化けてもいます。

追記（2024/3/22）
XにてSakana AIの中の方から「bfloat16にしてみて」とのコメントをいただきました。

で、試したところ、確かに大幅改善しました。

ドラえもんは、鳥居の下から生まれたしずくを養HANDYを助けた温泉忍者の勢into子がこNAMESCさんたらどんな名前になる？
prompt tokens = 55
output tokens = 63 (8.515899 [tps])
total time = 7.397927 [s]

SakanaAI/EvoLLM-JP-v1-10Bより

(2) SakanaAI/EvoLLM-JP-v1-7B

>>> history = q("ドラえもんとはなにか")

ドラえもんは、安孫子の世界で最も有名な漫画キャラクターである。彼は小学生の主人公・しんちゃんの友人であり、未来から来た時空 を超える猫型ロボットである。彼の名前は「どらえもん」と読み、これ は「ドラ」（ドラム） + 「えもん」（英語の「emon」）という 意味で、「驚きの源泉」を表しています。
prompt tokens = 55
output tokens = 152 (26.959319 [tps])
total time = 5.638125 [s]

SakanaAI/EvoLLM-JP-v1-7Bより

(3) SakanaAI/EvoLLM-JP-A-v1-7B

>>> history = q("ドラえもんとはなにか")

ドラえもんは、鳥のような姿をした恐竜の子供の幼体。ドラえもんの外見は鳥のような羽根と長い尾、小さな手足を持っている。ドラえもんは、かわいらしい外見と温和な性格で知られています。ドラえもん の名前は「小さなドラゴン」という意味です。ドラえもんは、地球で生息している胴龙の子供の幼体であり、その大きな龍の名前は「フー」です。
prompt tokens = 55
output tokens = 177 (4.062542 [tps])
total time = 43.568775 [s]

SakanaAI/EvoLLM-JP-A-v1-7Bより

追記（2024/3/22）
こちらも bfloat16 で試したところ、、、

ドラえもんは、小さい恐竜のような外見をしているけど、心は大きく優しいマンガとテレビアニメのキャラクターです。彼はサtoshiと共に様々な冒険を体験します。
prompt tokens = 55
output tokens = 90 (24.724166 [tps])
total time = 3.640163 [s]

SakanaAI/EvoLLM-JP-A-v1-7Bより


4. まとめ

ソースとしているモデルが異なるから当然と言えば当然ですが、応答結果と速度がかなり違いますね。

・EvoLLM-JP-v1-10B : 0.087481 [トークン/秒]
・EvoLLM-JP-v1-10B : 8.515899 [トークン/秒]
・EvoLLM-JP-v1-7B : 26.959319 [トークン/秒]
・EvoLLM-JP-A-v1-7B : 4.062542 [トークン/秒]
・EvoLLM-JP-A-v1-7B : 24.724166 [トークン/秒]

「うん？推論、遅いなぁ」と思ったら、torch_dtype、"auto"ではなくtorch.bfloat16みたく指定してみるのがよいですね。

この記事が気に入ったらサポートをしてみませんか？