一、Pretrain数据集#
1. 内置数据集#
| 名称 | 文本类型 | 纯文本的大小 | 适配模型 | 制作时间 | 出处 | 下载链接bin | 下载链接idx |
|---|---|---|---|---|---|---|---|
| OpenWebText2 | 英文 | 70GB | meta-llama/Llama-2-7bmeta-llama/Llama-2-7b-chatmeta-llama/Llama-2-13bmeta-llama/Llama-2-13b-chat facebook/llama-7bfacebook/llama-13b |
42min | 链接 | *bin | *idx |
| OpenWebText2 | 英文 | 70GB | gpt2-en |
37min | 链接 | *bin | *idx |
| CLUECorpusSmall | 中文 | 14GB | idea-ccnl/ziya-llama-13b-v1 |
15min | 链接 | *bin | *idx |
| - | 中文 | 14GB | baichuan-inc/Baichuan-7B |
12min | * bin | *idx | |
| - | 中文 | 14GB | linly-ai/chinese-llama-2-7b linly-ai/chinese-llama-2-13b |
19min | *bin | *idx | |
| - | 中文 | 14GB | baichuan-inc/Baichuan-13B-Base baichuan-inc/Baichuan-13B-Chat |
14min | *bin | *idx | |
| - | 中文 | 14GB | baichuan-inc/Baichuan2-7B-Basebaichuan-inc/Baichuan2-7B-Chatbaichuan-inc/Baichuan2-13B-Basebaichuan-inc/Baichuan2-13B-Chat |
13min | *bin | *idx | |
| - | 中文 | 14GB | meta-llama/Llama-2-7bmeta-llama/Llama-2-7b-chatmeta-llama/Llama-2-13bmeta-llama/Llama-2-13b-chatfacebook/llama-7b facebook/llama-13bFlagAlpha/Llama2-Chinese-7b-ChatFlagAlpha/Llama2-Chinese-13b-Chat |
20min | *bin | *idx | |
| WuDaoCorpus2.0 Base | 中文 | 200GB | idea-ccnl/ziya-llama-13b-v1 |
3h 35min | 链接 | *bin | *idx |
| WuDaoCorpus2.0 Base | 中文 | 200GB | baichuan-inc/Baichuan-7B |
2h 52min | *bin | *idx |
下载 bin 和 idx 放在同一个目录下，预训练脚本指定 input_dir即可.
若需要自行制作数据集，整体制作流程如2.1所示，详细步骤如以下2.2所示。
2. 自定义数据集#
2.1 数据创建流程#
| 步骤 | 阶段 | 数据格式 | 样例 |
|---|---|---|---|
| 0️⃣初始状态 | - | 原始数据： 每个doc之间用空行间隔开 - 中文，默认每句换行符，作为句子结束。 - 英文，默认使用nltk判断句子结束 |
飞桨是功能完备、开源开放的产业级深度学习平台。 飞桨拥有核心训练和推理框架、基础模型库。 PaddleNLP是自然语言处理领域的优秀工具。 |
1️⃣原始数据转换trans_to_json.py |
预处理 输入：0️⃣初始状态 输出：jsonl |
jsonl格式：每个doc对应一行json字符串 | {"text": "飞桨是功能完备、开源开放的产业级深度学习平台。飞桨拥有..."}{"text": "PaddleNLP是自然语言..."} |
2️⃣数据ID化create_pretrain_data.py |
预处理 | bin格式：数据id化后的token id idx格式：数据句子、文章位置索引 |
- |
2.2 详细准备#
下面以ziya-llama-13b-v1模型为例，简要介绍数据制备的全流程。
2.2.1 原始数据
首先下载样例数据：
mkdir data && cd data
wget https://bj.bcebos.com/paddlenlp/models/transformers/data_tools/baike.txt
cd ..
2.2.2 原始数据转换 jsonl 格式
使用trans_to_json.py转化为json串格式，下面是脚本的使用说明
optional arguments:
-h, --help
--input_path INPUT_PATH
"必须设置，可以是文件夹或者单个文件。文件夹中的目录默认最多搜索两层子目录。"
--output_path OUTPUT_PATH
"必须设置，输出文件的名字。"
--json_key JSON_KEY
"建议不修改，默认的key是text"
--doc_spliter DOC_SPLITER
"文章换行符，可以根据实际情况修改，默认空行作为文章换行符。"
--min_doc_length MIN_DOC_LENGTH
"可选。过滤掉长度多短的文章，默认值10"
--workers WORKERS
"可选。多进程转化文件，适用于 input_path 中包含的文件数据较多的情况。"
"每个文件，分配给不同worker处理"
--log_interval LOG_INTERVAL
"可选。此处的interval是值处理完文件个数的间隔。"
--no-merge
"可选。默认不开启这个选项，默认每个文件转换的jsonl文本，会拼接成到同一个文件。"
--no-shuffle
"可选。默认不开启这个选项，默认对处理完进行shuffle。"
根据说明，我们使用下面简单命令，可以得到baike_sample.jsonl文件。此处，我们对文章所有doc进行了shuffle。
python trans_to_json.py --input_path ./data --output_path baike_sample
查看数据:
head -1 baike_sample.jsonl
{"text": "中国效仿西方发展工业的过程，于中华民国国民政府成立后至中日战争开战前夕已顺畅发展，尽管其间受到内外因素的多重干扰。尔后直至中日战争和国共战争的结束，
中国始有较为长期的和平发展时期。\n1980年代以来，邓小平政府宣布改革开放，开始实行社会主义市场经济并推行经济体制改革。中国大陆近年至2010年，GDP超过72000亿美元，
已经成为美国之后的世界第二经济大国，普遍认为中国是世界上发展速度最快的经济体，但是人均国民生产总值仍位于世界中等水平（第89位），并逐渐受到资源限制和贫富差距加
大的制约。中华人民共和国省份中，广东为GDP最高的第一强省，浙江为人均收入最高的第一富省。中国大陆、香港、澳门、台湾之间的经济联系在全球化的过程中日益紧密。\n"}
2.2.3 数据ID化
在这一部分，我们使用 create_pretraining_data.py 脚本将前面得到的 baike_sample.jsonl 进行tokenize id化处理。模型可以参考已有的列表。
optional arguments:
--model_name MODEL_NAME.
"必须设置，如：idea-ccnl/ziya-llama-13b-v1"
--tokenizer_name {LlamaTokenizer}
"模型对应的tokenizer, Llama模型需使用LlamaTokenizer"
data input/output:
--input_path INPUT_PATH
"必须设置，输入文件jsonl的目录"
--output_prefix OUTPUT_PREFIX
"必须设置，输出文件的名称。"
"假设名称为XXX，则会输出 XXX.bin, XXX.idx 两个文件。"
"其中bin文件：数据id化后的token ids; idx文件：数据句子、文章位置索引。"
--data_format {JSON}
"不需要设置。目前默认处理jsonl数据格式"
--json_key JSON_KEY
"文本串json的key值。同前面trans_to_json.py的json_key，默认text为key"
--split_sentences
"是否需要将文章划分成句子。一般而言，GPT不需要。"
--data_impl
"处理后的数据格式，可选“mmap”或“lazy”，"
"其中“mmap”在训练时读入数据会建立内存映射，“lazy”在读入数据时直接从文件读取。"
chinese words:
--chinese
"若设置了split_sentences，并处理中文则需要设置。"
--cn_whole_word_segment
"可选。是否需要WWM策略。一般而言，GPT类模型不需要。"
--cn_seg_func {lac,seg,jieba}
"默认jieba，jieba速度较快，lac模型更准确，计算量高。"
--cn_splited
"可选。对分词后的文本，设置此选项则，cn_seg_func不起作用。"
"例如分词后文本串: 中国 效仿 西方 发展 工业 的过 程"
--cn_split_dimer CN_SPLIT_DIMER
"配合cn_splited使用，默认空格表示分词间隔。"
common config:
--append_eos
"gpt模型专用，gpt设置此选项，表示doc结束。"
--log_interval LOG_INTERVAL
"打印日志间隔，interval表示处理 文本行数/doc数的 间隔。"
--workers WORKERS
"处理文本id化的进程个数。"
我们可以通过以下训练脚本得到处理好的预训练数据：
python -u create_pretraining_data.py \
--model_name "idea-ccnl/ziya-llama-13b-v1" \
--tokenizer_name "LlamaTokenizer" \
--data_format "JSON" \
--input_path "/home/data/baike_sample.jsonl" \
--append_eos \
--output_prefix "/home/data/baike_sample" \
--workers 1 \
--log_interval 5 \
--data_impl "mmap"
如果您使用已经分好词的语料，可以设置
--cn_splitd为 True，同时指定--cn_split_dimer如空格。使用自定义词表的话，请指定model_name为词表所在的文件夹地址。
经过以上处理，在 “/home/data/” 文件夹下可以得到预处理后的训练数据baike_sample.bin, 与文章索引信息：baike_sample.idx.
2.2.4（可选） 合并数据集
若需要预处理的文件过大，该脚本所耗费的时间可能会很长。此时可以考虑将jsonl文件拆分为多个小文件，并行使用create_pretraining_data.py进行处理，得到多个.bin & .idx文件，之后使用如下merge脚本合并多个小的.bin & .idx文件。 使用merge脚本将两份500g文件合并为1T的时间约1h。
python merge.py \
--input "/home/data/" \
--output-prefix "/home/data/merged" \
--data_impl mmap
使用说明：
arguments:
--input INPUT_PATH
"待合并的文件所在文件夹，文件夹内各个小文件按需要merge的顺序命名"
"如1.bin / 1.idx，2.bin / 2.idx..."
--output_prefix OUTPUT_PREFIX
"合并后输出文件的名称，假设名称为XXX，则会输出 XXX.bin, XXX.idx 两个文件"。
--data_impl {mmap,lazy}
"merge前后的数据格式，可选“mmap”或“lazy”，各个待merge的文件需格式一致。"
经过以上merge脚本处理，“/home/data”目录下可以得到由“/home/data/”下的小文件合并而成的merged.bin和merged.idx文件。
注意：单个数据集不宜过大，容易出现int32越界，建议单个文件docs数目不超过5亿。