SFT全参微调数据处理

下载数据

SFT全参微调涉及的数据下载地址：https://huggingface.co/datasets/silk-road/alpaca-data-gpt4-chinese/blob/main/Alpaca_data_gpt4_zh.jsonl

如果在准备数据章节已下载数据集，此处无需重复操作。

SFT全参微调和LoRA微调训练使用的是同一个数据集，数据处理一次即可，训练时可以共用。

数据预处理

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xxx-Ascend/llm_train/AscendSpeed/ModelLink/tools目录中，脚本具体内容如下。xxx-Ascend请根据实际目录替换。

#进入ModelLink目录：
cd /home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed/ModelLink
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
python ./tools/preprocess_data.py \
     --input /home/ma-user/ws/training_data/finetune/Alpaca_data_gpt4_zh.jsonl \
     --tokenizer-name-or-path $TOKENIZER_PATH \
     --output-prefix $DATASET_PATH\
     --tokenizer-type PretrainedFromHF \
     --workers 8 \
     --seq-length 8192 \
     --handler-name GeneralInstructionHandler \
     --append-eod \
     --tokenizer-not-use-fast 

参数说明：

• - input：SFT全参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。
• - workers：数据处理线程数。
• 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。
• -append-eod：参数用于控制是否在每个输入序列的末尾添加一个特殊的标记。这个标记表示输入序列的结束，可以帮助模型更好地理解和处理长序列。

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

数据处理具体操作

SFT全参微调数据处理具体操作步骤如下。

1. 创建处理后的数据存放目录/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/finetune/

   cd /home/ma-user/ws/  #进入容器工作目录
   mkdir -p processed_for_ma_input/GLM3-6B/data/finetune

2. 进入代码目录“/home/ma-user/ws/xxx-Ascend/llm_train/AscendSpeed/ModelLink/”，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。

   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
   python ./tools/preprocess_data.py \
     --input /home/ma-user/ws/training_data/finetune/Alpaca_data_gpt4_zh.jsonl \
     --tokenizer-name-or-path /home/ma-user/ws/tokenizers/GLM3-6B \
     --output-prefix /home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/finetune/alpaca_ft \
     --workers 8 \
     --tokenizer-type PretrainedFromHF \
     --handler-name GeneralInstructionHandler \
     --seq-length 8192 \
     --append-eod \
     --tokenizer-not-use-fast

   数据处理完后，在/home/ma-user/ws/processed_for_ma_input/GLM3-6B/data/finetune/目录下生成转换后的数据文件。