预训练数据处理
训练前需要对数据集进行预处理,转化为.bin和.idx格式文件,以满足训练要求。
Alpaca数据处理
数据预处理脚本preprocess_data.py存放在代码包的“llm_train\AscendSpeed\ModelLink\”目录中,脚本具体内容如下。
cd /home/ma-user/ws/AscendCloud-3rdLLM-6.3.902/llm_train/AscendSpeed/ModelLink python tools/preprocess_data.py \ --input ${path}/train-00000-of-00001-a09b74b3ef9c3b56.parquet \ --output-prefix ${path}/alpaca/llama2-13B/alpaca \ --tokenizer-type PretrainedFromHF \ --tokenizer-name-or-path ${path}/tokenizers/llama2-13b-hf \ --tokenizer-not-use-fast \ --json-keys text
参数说明:
- - input:数据集的存放路径,本案例中${path}的路径为/home/ma-user/ws/datasets 。
- - 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
- - json-keys: space separate listed of keys to extract from json,默认使用text,不需要修改。
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/llama2-13B/alpaca_text_document, 不加文件类型后缀。
具体操作步骤如下:
- 进入容器中,创建数据集存放目录datasets。
cd /home/ma-user/ws/ #进入/home/ma-user/ws/目录 mkdir datasets #创建datasets目录
- 创建数据处理后的输出目录/home/ma-user/ws/datasets/alpaca/llama2-13B/。
cd /home/ma-user/ws/datasets #进入/home/ma-user/ws/datasets目录 mkdir -p alpaca/llama2-13B
- 将获取到的Alpaca预训练数据集传到上一步创建的目录中。如还未下载数据集,请参考准备数据获取。
- 进入“/home/ma-user/ws/AscendCloud-3rdLLM-6.3.902/llm_train/AscendSpeed/ModelLink/”目录,在代码目录中执行preprocess_data.py脚本处理数据。
此处提供一段实际的数据处理代码示例如下。
python tools/preprocess_data.py \ --input /home/ma-user/ws/datasets/data/train-00000-of-00001-a09b74b3ef9c3b56.parquet \ --output-prefix /home/ma-user/ws/datasets/alpaca/llama2-13B/alpaca \ --tokenizer-type PretrainedFromHF \ --tokenizer-name-or-path /home/ma-user/ws/tokenizers/llama2-13b-hf \ --tokenizer-not-use-fast \ --json-keys text
- 数据处理完后,在/home/ma-user/ws/datasets/alpaca/llama2-13B/目录下生成alpaca_text_document.bin和alpaca_text_document.idx文件。
图1 处理后的数据
自定义数据
如果是用户自己准备的数据集,可以使用Ascendspeed代码仓中的转换工具将json格式数据集转换为训练中使用的.idx + .bin格式。
#示例: #1.将准备好的json格式数据集存放于/home/ma-user/ws/datasets/data目录下: data.json #2.运行转换脚本 cd /home/ma-user/ws/llm_train/AscendSpeed/ModelLink/ python tools/preprocess_data.py --input data.json \ #需要转换的数据集路径 --output-prefix datasets/data \ #转换后存放的数据集路径 --tokenizer-type PretrainedFromHF \ --tokenizer-name-or-path llama2-13b-hf \ --tokenizer-not-use-fast \ --json-keys text #3.执行完成后在 datasets文件夹中可以得到 data_text_document.idx 与data_text_document.bin 两个文件