预训练数据处理

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

1. 通过VS Code新建任务。
   图1 新建任务
   

2. 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。

3. 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
   

4. 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
   

5. 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

   

6. 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