trtd56/eventnorm-csv

# SLM_Norm

`EventNorm.csv` の `ENTITY_NAME` から以下 8 項目を抽出する LoRA 学習を、`LiquidAI/LFM2.5-1.2B-JP` に対して Hugging Face Jobs で実行するための最小構成です。

- Agent
- Patient-Theme
- Place
- Action
- Instrument
- Manner
- Cause
- Purpose

## Files

- `prepare_dataset.py`: ローカル前処理
- `train_lfm_eventnorm.py`: ローカル学習
- `hf_job_train_eventnorm.py`: Hugging Face Jobs 用の自己完結スクリプト

## Hugging Face CLI

事前に CLI ログインを済ませます。

```bash
hf auth login
hf auth whoami
```

学習元データ用 dataset repo を作成し、CSV をアップロードします。

```bash
hf repo create trtd56/eventnorm-csv --repo-type dataset --exist-ok
hf upload trtd56/eventnorm-csv EventNorm.csv EventNorm.csv --repo-type dataset
```

学習結果の adapter 保存先 model repo を作成します。

```bash
hf repo create trtd56/LFM2.5-1.2B-JP-EventNorm --exist-ok
```

ジョブを投入します。A10G 1 枚を前提にしています。

```bash
hf jobs uv run \
--flavor a10g-small \
--timeout 8h \
--detach \
-s HF_TOKEN \
hf_job_train_eventnorm.py \
--dataset_repo trtd56/eventnorm-csv \
--dataset_filename EventNorm.csv \
--output_repo trtd56/LFM2.5-1.2B-JP-EventNorm \
--num_train_epochs 5 \
--learning_rate 2e-4 \
--train_batch_size 1 \
--eval_batch_size 4 \
--gradient_accumulation_steps 16 \
--max_length 768
```

状況確認:

```bash
hf jobs ps
hf jobs logs <job_id>
hf jobs inspect <job_id>
```

## Notes

- `hf_job_train_eventnorm.py` は dataset repo から `EventNorm.csv` を取得し、学習後に adapter を model repo へアップロードします。
- ジョブ内では `HF_TOKEN` が必須です。`hf jobs uv run -s HF_TOKEN ...` で渡してください。
- 学習コストは利用ハードウェアと実行時間に依存します。