🤖 UnslothによるLLM-JPモデルの高速推論実装ガイド(Google Colab📒ノートブック付)

デモ動画

LLama3.2 3Bファインチューニング実験 | 25
Unslothの推論の実験！取り敢えずはLLM-JPでやってみた！ https://t.co/DoTVzHatyx pic.twitter.com/N8ZdE06M1a

— Maki@Sunwood AI Labs. (@hAru_mAki_ch) November 26, 2024

📦 必要なライブラリのインストール

%%capture
!pip install unsloth
# 最新のUnslothナイトリービルドを取得
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"

解説:
このセルではUnslothライブラリをインストールしています。Unslothは大規模言語モデル（LLM）の推論を高速化するためのライブラリです。%%captureを使用することで、インストール時の出力を非表示にしています。

🔧 必要なライブラリのインポートと基本設定

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from unsloth import FastLanguageModel
import torch

# モデルの基本設定
max_seq_length = 512
dtype = None
load_in_4bit = True
model_id = "llm-jp/llm-jp-3-13b"  # または自分でファインチューニングしたモデルID

解説:

• transformers: Hugging Faceの変換器ライブラリ
• unsloth: 高速化ライブラリ
• torch: PyTorchフレームワーク
• モデルの設定では：
  • 最大シーケンス長: 512トークン
  • 4ビット量子化を有効化
  • LLM-JP 13Bモデルを使用

🚀 モデルとトークナイザーの初期化

# モデルとトークナイザーのロード
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# 推論モードに設定
FastLanguageModel.for_inference(model)

解説:
このセルでは：

1. モデルとトークナイザーを同時にロード
2. 4ビット量子化を適用し、メモリ使用量を削減
3. モデルを推論モードに設定して最適化

💬 応答生成関数の実装

def generate_response(input_text):
    """
    入力テキストに対して応答を生成する関数
    """
    # プロンプトの作成
    prompt = f"""### 指示\n{input_text}\n### 回答\n"""
    
    # 入力のトークナイズ
    inputs = tokenizer([prompt], return_tensors="pt").to(model.device)
    
    # 応答の生成
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        use_cache=True,
        do_sample=False,
        repetition_penalty=1.2
    )
    
    # デコードして回答部分を抽出
    prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]
    
    return prediction

解説:
この関数は以下の処理を行います：

1. 入力テキストを指示形式のプロンプトに変換
2. トークナイズしてモデルに入力可能な形式に変換
3. 以下のパラメータで応答を生成：
   • max_new_tokens: 最大512トークンまで生成
   • use_cache: キャッシュを使用して高速化
   • do_sample: 決定的な出力を生成
   • repetition_penalty: 繰り返しを抑制（1.2）
4. 生成された出力から回答部分のみを抽出

✅ 使用例

if __name__ == "__main__":
    # 入力例
    sample_input = "今日の天気について教えてください。"
    
    # 応答の生成
    response = generate_response(sample_input)
    
    print("入力:", sample_input)
    print("応答:", response)

解説:
このセルは実際の使用例を示しています：

• サンプル入力を設定
• generate_response関数を呼び出して応答を生成
• 入力と応答を表示

このコードを実行することで、LLM-JPモデルを使用して日本語の質問に対する応答を生成できます。Unslothによる最適化により、標準的な実装と比較して高速な推論が可能です。