AI开发平台MODELARTS-预训练数据处理:Alpaca数据处理说明
时间:2024-11-05 09:54:16
Alpaca数据处理说明
数据预处理脚本preprocess_data.py存放在代码包的“llm_train/AscendSpeed/ModelLink/tools/”目录中,以Llama2-70B为例, 脚本具体内容如下。
#进入到ModelLink目录下,xxx-Ascend请根据实际目录替换 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 #数据预处理 python ./tools/preprocess_data.py \ --input {work_dir}/training_data/train-00000-of-00001-a09b74b3ef9c3b56.parquet \ --tokenizer-name-or-path {work_dir}/tokenizers/Llama2-70B \ --output-prefix {work_dir}/processed_for_ma_input/Llama2-70B/data/pretrain/alpaca \ --workers 8 \ --log-interval 1000 \ --tokenizer-type PretrainedFromHF
参数说明:
- ${work_dir}的路径指容器工作路径:如/home/ma-user/ws/ 。
- - input:原始数据集的存放路径
- - output-prefix:处理后的数据集保存路径+数据集名称前缀(例如: alpaca)
- - tokenizer-type:tokenizer的类型,可选项有['BertWordPieceLowerCase','BertWordPieceCase','GPT2BPETokenizer','PretrainedFromHF'],一般为PretrainedFromHF。
- - tokenizer-name-or-path:tokenizer的存放路径
- -workers:设置数据处理使用执行卡数量
- -log-interval:是一个用于设置日志输出间隔的参数,表示输出日志的频率。在训练大规模模型时,可以通过设置这个参数来控制日志的输出
数据预处理后输出的训练数据如下:
- alpaca_text_document.bin
- alpaca_text_document.idx
训练的时指定的数据路径为${path}/alpaca/llama2-70B/alpaca_text_document, 不加文件类型后缀。
support.huaweicloud.com/bestpractice-modelarts/modelarts_10_1607.html
看了此文的人还看了
CDN加速
GaussDB
文字转换成语音
免费的服务器
如何创建网站
域名网站购买
私有云桌面
云主机哪个好
域名怎么备案
手机云电脑
SSL证书申请
云点播服务器
免费OCR是什么
电脑云桌面
域名备案怎么弄
语音转文字
文字图片识别
云桌面是什么
网址安全检测
网站建设搭建
国外CDN加速
SSL免费证书申请
短信批量发送
图片OCR识别
云数据库MySQL
个人域名购买
录音转文字
扫描图片识别文字
OCR图片识别
行驶证识别
虚拟电话号码
电话呼叫中心软件
怎么制作一个网站
Email注册网站
华为VNC
图像文字识别
企业网站制作
个人网站搭建
华为云计算
免费租用云托管
云桌面云服务器
ocr文字识别免费版
HTTPS证书申请
图片文字识别转换
国外域名注册商
使用免费虚拟主机
云电脑主机多少钱
鲲鹏云手机
短信验证码平台
OCR图片文字识别
SSL证书是什么
申请企业邮箱步骤
免费的企业用邮箱
云免流搭建教程
域名价格
推荐文章
- 华为云数据处理技术_数据管理平台数据工坊_什么是数据处理
- TMS开发_金蝶TMS系统_TMS技术系统_信息化管理_视频
- ModelArts计费说明_计费简介_ModelArts怎么计费
- ModelArts是什么_AI开发平台_ModelArts功能
- 媒体处理功能_音视频转码_多媒体数据处理服务
- 数据转发至函数工作流_数据处理_FunctionGraph处理流数据
- ModelArts Workflow_什么是Workflow_工作流
- ModelArts模型训练_模型训练简介_如何训练模型
- ModelArts数据管理_数据管理功能简介_数据集管理
- ModelArts模型训练_创建训练作业_如何创建训练作业