背景

• 背景はこちらの記事と同じです

• 最近は､GPTが流行ってます

• しかしGPT-3.5以降はfine tuningが執筆時点でできません

• なので､オリジナルデータを学習させるには､少し工夫が必要です

• 要するに､文章のembedding vectorを計算する必要があります

• しかし､GPTのAPIは地味に値段が高いため､pdfが100個くらいあったりすると､破産する恐れが出てきます

目的

• 最終的な推論はGPT-3.5 or 4にやらせるとして､embedding vectorの計算は､もう少しローコスト･低性能なLLMで良いのではないかと､誰しも考えるはずです

  • 或いは､google検索のような､index検索を使うのも手です

    • ただしこの場合は､言語を跨いだ検索などが難しそうです

• そこで､一般のご家庭のPCでも動き､日々タケノコの如く報告されるLLMの中でも､群を抜いていると評判のvicuna-13bを動かしてみることにしました

• ついでに､RWKV-7b､GPTのAPIと比較してみました

vicunaのセットアップ

いろんなやり方があるようですが､以下のやり方が楽でした

• pipでtransformersを入れる

• pretrainedを自動でダウンロード&読み込み

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("eachadea/vicuna-13b-1.1")
model = AutoModelForCausalLM.from_pretrained("eachadea/vicuna-13b-1.1",device_map = 'auto')

device_map = 'auto'としておくと､適当にGPUを割り振ってくれました｡研究室にある､RTX3090 x2 (ご家庭用のGPU)を搭載したマシンで読み込めました｡1枚だとメモリ不足でエラーが出ました｡

動作確認

まずはpromptに応答するかを見てみます｡

promptの作成function｡ vicunaがこちらの形式のpromptで学習しているかは､チェックしていませんのでご注意

def generate_prompt(instruction, input=None):
    if input:
        return f"""Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.

# Instruction:
{instruction}

# Input:
{input}

# Response:
"""
    else:
        return f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.

# Instruction:
{instruction}

# Response:
"""

推論

# 推論
prompt=generate_prompt("answer the question", "何故雨が降るのか?")
input = tokenizer.encode(prompt, return_tensors="pt")
output = model.generate(input, do_sample=True, max_length=200, num_return_sequences=1)
ans=(tokenizer.batch_decode(output))

print(ans[0].replace(".\\n\\n2.","\\n"))

回答はこちら

そこそこ知的で意味不明な回答が返って来ました｡max_lengthを増やすと､更に長い回答が返ってくるはずです｡ただしこのレベルの回答でも､1minほどの計算が必要でした｡GPT3.5, 4の回答速度の速さには驚くばかりです

潜在ベクトルの計算

入力テキストの長さに応じて､hidden_statesの次元が変わります｡今回はとりあえず､適当にaxis=1で平均値を取ることで､vectorの次元を固定することにしました｡
以下の関数で出力されるvectorは209920次元でした｡GPTやBERTでは1500次元程度のベクトルを出す機能があります｡多量のデータを扱う場合は､うまく圧縮するアルゴリズムを作る必要がありそうです｡

import numpy as np
import torch
def calc_vec(input_text, model, tokenizer):
    input_ids = tokenizer.encode(input_text, return_tensors="pt")

    model.eval()
    with torch.no_grad():
        outputs = model(input_ids, output_hidden_states=True)

    #list形式でtensorが入っているoutputsを1次元のnumpyに変換
    vec_list=[]
    for v in outputs[-1]:
        mean_v=v.mean(axis=1)
        vec_list.append(mean_v.numpy().flatten())

    vec=np.array(vec_list).flatten()

    return vec

コサイン類似度を計算してみます

from tqdm import tqdm
import numpy as np
text_list=[
"吾輩は猫である",
"汝の名は女だ",
"I am a cat",
"ピペットで試薬を三回分取した",
"アセトンは有機溶媒である",
"非プロトン性溶媒として､THF､トルエンなどが挙げられる",
"トルエンをこぼしてしまいました",
"私は猫です",
"私は犬です",
"日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．",
]


vec_list=[calc_vec(i,model,tokenizer) for i in tqdm(text_list)]


target_vec=vec_list[0]


from scipy import spatial
def cos_sim(a, b):
    return 1 - spatial.distance.cosine(a, b)


cos_sim_list=[cos_sim(target_vec,i) for i in vec_list]

for i in np.argsort(cos_sim_list)[::-1]:
    print("{:.3f}".format(cos_sim_list[i]),text_list[i])

｢吾輩は猫である｣とコサイン類似度の高い文字列は以下の通り by vicuna
1.000 吾輩は猫である
0.977 私は猫です
0.975 私は犬です
0.970 汝の名は女だ
0.959 I am a cat
0.935 アセトンは有機溶媒である
0.934 トルエンをこぼしてしまいました
0.927 ピペットで試薬を三回分取した
0.807 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.600 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．

RWKVよりも賢そうです｡ RWKVの結果はこちら｡
(注 7Bモデルを使いました｡14Bモデルを使ったらもっと良くなるかもしれません)
1.000 吾輩は猫である
0.950 汝の名は女だ
0.950 アセトンは有機溶媒である
0.946 トルエンをこぼしてしまいました
0.942 私は猫です
0.941 ピペットで試薬を三回分取した
0.917 私は犬です
0.905 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.882 I am a cat
0.859 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．

RWKVは､｢吾輩は猫である｣の文語調に引きずられ､｢汝の名は女だ｣というハムレット的フレーズに親近感を覚えてしまいました｡
一方､vicunaでは､｢吾輩は猫である｣に最も近いフレーズとして､｢私は猫です｣を選びました｡
ただ､その次に高い類似度は｢私は犬です｣､｢汝の名は女だ｣となっており｢I am a cat｣が追いやられてしまいました｡日本語を取るか､意味を取るか､の葛藤があったのかもしれません｡

ついでに､GPTでも計算してみます｡似たような性能でした｡が､スピードはGPTが圧倒的でした｡

def calc_vec(text):
    vec= openai.Embedding.create(input = text, model="text-embedding-ada-002")['data'][0]["embedding"]
    return np.array(vec)

1.000 I am a cat
0.974 私は猫です
0.974 私は犬です
0.971 汝の名は女だ
0.959 吾輩は猫である
0.924 アセトンは有機溶媒である
0.918 トルエンをこぼしてしまいました
0.908 ピペットで試薬を三回分取した
0.763 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.499 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる

次に､｢I am a cat｣と類似度の高い文字列を計算してみます｡
vicunaの結果はこちら｡そこそこの性能ですね｡
1.000 I am a cat
0.974 私は猫です
0.974 私は犬です
0.971 汝の名は女だ
0.959 吾輩は猫である
0.924 アセトンは有機溶媒である
0.918 トルエンをこぼしてしまいました
0.908 ピペットで試薬を三回分取した
0.763 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.499 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．

RWKVの結果はこちら｡ ほぼ同じ｡
1.000 I am a cat
0.914 私は猫です
0.911 私は犬です
0.899 汝の名は女だ
0.882 吾輩は猫である
0.849 トルエンをこぼしてしまいました
0.841 アセトンは有機溶媒である
0.826 ピペットで試薬を三回分取した
0.768 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.706 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．

GPTの結果はこちら｡ パーフェクトな回答でした｡素晴らしい｡
意味を読み取る力が高いのか､それとも文語体の文章を読む能力が高いのか､要因は調べる必要がありそうです｡
(今後､メインのタスクで特に文語体のデータを学習させる予定はないので､そもそもベンチマークが不適切だったことに､今更気づきました)

1.000 I am a cat
0.883 私は猫です
0.875 吾輩は猫である
0.829 私は犬です
0.753 汝の名は女だ
0.730 トルエンをこぼしてしまいました
0.727 ピペットで試薬を三回分取した
0.707 アセトンは有機溶媒である
0.694 非プロトン性溶媒として､THF､トルエンなどが挙げられる
0.691 日本的霊性は，鎌倉時代に禅と浄土系思想によって初めて明白に顕現し，その霊性的自覚が現在に及ぶと述べる．

おまけ: 二次元空間への転写

最後に､vicunaから出てきた高次元ベクトルをPCAやMDSで二次元空間に飛ばしてみます｡
正直､微妙な結果となりました｡コサイン類似度はまともなので､情報圧縮の方が上手くいっていない印象です｡

from sklearn.manifold import MDS
import matplotlib.pyplot as plt
#PCAで圧縮
from sklearn.decomposition import PCA

reducer=MDS(n_components=2)
#reducer=PCA(n_components=2)
comp_vec=reducer.fit_transform(np.array(vec_list))

plt.scatter(comp_vec[:,0],comp_vec[:,1])
for i, txt in enumerate(text_list):
    plt.annotate(txt, (comp_vec[i,0],comp_vec[i,1]),size=10)
    
plt.show()

PCA

MDS

まとめ

• vicunaを使うことで､テキストのembedding (latent) vectorを計算可能でした

• 比較精度は､GPT > vicuna > RWKV となりました｡しかし､劇的な差は見られませんでした

• 計算コストと精度のコストパフォーマンスを考えると､RWKV(あるいは更に低コストなモデル)でも､vector計算という用途では十分かもしれないという思いに至りました