AI开发平台MODELARTS-SFT微调数据处理:数据预处理说明
下载AI开发平台MODELARTS用户手册完整版
数据预处理说明
使用数据预处理脚本preprocess_data.py脚本重新生成.bin和.idx格式的SFT全参微调数据。preprocess_data.py存放在llm_train/AscendSpeed/ModelLink/tools目录中，脚本具体内容如下。
#进入ModelLink目录
cd /home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed/ModelLink
#加载ascendspeed及megatron模型
export PYTHONPATH=$PYTHONPATH:/home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed/AscendSpeed
export PYTHONPATH=$PYTHONPATH:/home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed/ModelLink
#执行以下命令
python ./tools/preprocess_data.py \
--input /home/ma-user/ws/training_data/finetune/alpaca_gpt4_data.json \
--tokenizer-name-or-path $TOKENIZER_PATH \
--output-prefix $DATASET_PATH\
--tokenizer-type PretrainedFromHF \
--seq-length 4096 \
--workers 8 \
--handler-name GeneralInstructionHandler \
--make-vocab-size-divisible-by 128 \
--log-interval 1000
参数说明：
- input：SFT微调数据的存放路径。
- output-prefix：处理后的数据集保存路径+数据集名称前缀（例如：alpaca_ft）。
- tokenizer-type：tokenizer的类型，可选项有['BertWordPieceLowerCase'， 'BertWordPieceCase'，'GPT2BPETokenizer'， 'PretrainedFromHF']，设置为PretrainedFromHF。
- tokenizer-name-or-path：tokenizer的存放路径。
- handler-name：生成数据集的用途，这里是生成的指令数据集，用于微调。
- seq-length：是一个用于计算序列长度的函数。它接收一个序列作为输入，并返回序列的长度，需和训练时参数保持一致。
- workers：数据处理线程数。
--make-vocab-size-divisible-by：填充词汇大小，使模型中padded-vocab-size的值可被该值整除。这是出于计算效率的原因而添加的。
- log-interval：输出处理日志刷新间隔。
输出结果
alpaca_ft_packed_attention_mask_document.bin
alpaca_ft_packed_attention_mask_document.idx
alpaca_ft_packed_input_ids_document.bin
alpaca_ft_packed_input_ids_document.idx
alpaca_ft_packed_labels_document.bin
alpaca_ft_packed_labels_document.idx
