预训练数据处理
训练前需要对数据集进行预处理,将数据集转化为.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,脚本具体说明如下。
python 6.3.902-Ascend/llm_train/AscendSpeed/ModelLink/tools/preprocess_data.py --input ${MA_JOB_DIR}/6.3.902-Ascend/datasets/data/train-00000-of-00001-a09b74b3ef9c3b56.parquet --output-prefix ${MA_JOB_DIR}/6.3.902-Ascend/datasets/alpaca/llama2-13B/alpaca --tokenizer-type PretrainedFromHF --tokenizer-name-or-path ${MA_JOB_DIR}/6.3.902-Ascend/tokenizers/llama2-13b-hf --tokenizer-not-use-fast --json-keys text
参数说明:
- - input:数据集的存放路径,本案例中${path}的路径为${MA_JOB_DIR}/6.3.902-Ascend/datasets 。
- - output-prefix:处理后的数据集保存路径+数据集名称前缀(例如: alpaca)
- - tokenizer-type:tokenizer的类型,可选项有['BertWordPieceLowerCase','BertWordPieceCase','GPT2BPETokenizer','PretrainedFromHF'],一般为PretrainedFromHF。
- - tokenizer-name-or-path:tokenizer的存放路径。
- - json-keys: space separate listed of keys to extract from json,默认使用text,不需要修改。
数据预处理后输出的训练数据如下:
- alpaca_text_document.bin
- alpaca_text_document.idx
训练的时指定的数据路径为“${path}/alpaca/llama2-13B/alpaca_text_document”, 不加文件类型后缀。
创建预训练数据处理任务
- 通过VS Code新建任务。
图1 新建任务
- 设置作业名称、描述、作业模式,选择准备镜像中训练镜像并根据需求选择资源规格和节点数。
图2 设置训练作业基本信息
在数据处理场景,通常选择:1节点,CPU规格即可。图中因无CPU资源故选择NPU规格。
- 设置权重、数据集的挂载文件夹。
单击权重文件存储目录“6.3.902-Ascend/tokenizers/llama2-13b-hf”右侧的挂载按钮。
图3 设置挂载文件夹
选择步骤2.3中存储权重的桶中文件夹,例如:obs://standard-llama2-13b / llama-2-13b-chat-hf,单击确定,完成挂载。
图4 选择OBS桶中文件夹
以相同步骤,完成数据集的挂载,例如将obs://standard-llama2-13b/alpaca/挂载到6.3.902-Ascend/datasets/data目录,结果如下:
图5 完成权重和数据集挂载
- 设置输出挂载路径。
鼠标移动至输出目录,单击右侧出现的“设为输出”完成输出路径的挂载。
图6 设置输出挂载路径
- 设置执行命令,并提交作业。
在命令窗口输出执行预训练数据处理,此处提供一段实际的数据处理代码示例如下。
python ${MA_JOB_DIR}/6.3.902-Ascend/llm_train/AscendSpeed/ModelLink/tools/preprocess_data.py --input ${MA_JOB_DIR}/6.3.902-Ascend/datasets/data/llama2-13B/train-00000-of-00001-a09b74b3ef9c3b56.parquet --output-prefix ${MA_JOB_DIR}/6.3.902-Ascend/datasets/alpaca --tokenizer-type PretrainedFromHF --tokenizer-name-or-path ${MA_JOB_DIR}/6.3.902-Ascend/tokenizers/llama2-13b-hf --tokenizer-not-use-fast --json-keys text
单击提交作业。图7 提交作业 - 待作业执行完成后,就可以在OBS中挂载输出路径的目录下找到输出结果。
图8 作业执行完成图9 输出文件
也可以在插件页面下载结果至本地
图10 下载结果至本地
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6.3.902-Ascend/datasets/data目录下: data.json #2.修改转换脚本 python ${MA_JOB_DIR}/6.3.902-Ascend/llm_train/AscendSpeed/ModelLink/tools/preprocess_data.py \ --input ${MA_JOB_DIR}/6.3.902-Ascend/datasets/data/data.json \ #需要转换的数据集路径 --output-prefix ${MA_JOB_DIR}/6.3.902-Ascend/datasets/alpaca/llama2-13B/alpaca \ #转换后存放的数据集路径 --tokenizer-type PretrainedFromHF \ --tokenizer-name-or-path ${MA_JOB_DIR}/6.3.902-Ascend/tokenizers/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