|
--- |
|
license: apache-2.0 |
|
language: |
|
- en |
|
- ja |
|
datasets: |
|
- izumi-lab/wikipedia-ja-20230720 |
|
- izumi-lab/wikipedia-en-20230720 |
|
- izumi-lab/open-text-books |
|
- if001/aozorabunko-clean-sin |
|
- if001/oscar_2023_filtered |
|
tags: |
|
- ja |
|
- japanese |
|
- mixtral |
|
inference: false |
|
--- |
|
|
|
275.86Mのmixtralを日本語データセットでpretrainingしたものです |
|
|
|
## sample |
|
|
|
``` |
|
from transformers import AutoTokenizer, AutoModelForCausalLM |
|
model = AutoModelForCausalLM.from_pretrained("if001/tiny_mixtral_ja") |
|
tokenizer = AutoTokenizer.from_pretrained("if001/sentencepiece_ja", trust_remote_code=True) |
|
|
|
prompt = "それは九月初旬のある蒸し暑い晩のことであった。私は、Ｄ坂の" |
|
inputs = tokenizer(prompt, return_tensors="pt") |
|
|
|
generate_ids = model.generate( |
|
inputs.input_ids, |
|
max_length=30, |
|
top_k=30, |
|
top_p=0.95, |
|
temperature=0.6, |
|
repetition_penalty=1.2, |
|
do_sample=True, |
|
) |
|
tokenizer.decode(generate_ids[0], skip_special_tokens=True, clean_up_tokenization_spaces=False) |
|
|
|
>> それは九月初旬のある蒸し暑い晩のことであった。私は、D坂の茶舗を後にして、その路地の角に横丁をあるいて居る、と云うと、丁度其処から、 |
|
``` |
|
|
|
## dataset |
|
英語と日本語のデータセットを使用 |
|
|
|
``` |
|
total tokens: 8.64B |
|
|
|
wikipedia_ja: 844.65M |
|
wikipedia_en: 3.80B |
|
open-text-books: 60.17M |
|
oscar: 3.85B |
|
aozorabunko: 92.97M |
|
``` |
|
|
|
## tokenizer |
|
``` |
|
all_special_ids: [1, 2, 3, 0, 4] |
|
all_special_tokens: ['<BOS>', '<EOS>', '<UNK>', '<PAD>', '<MASK>'] |
|
``` |
