配比并发布数据集

数据配比介绍

不同数据源与大语言模型某些特定能力的学习具有紧密的联系，根据来源不同，预训练数据主要分为两种类型：

通用文本数据和行业文本数据。通用文本数据涵盖了网页、书籍和对话文本等，主要是为了保留模型的通用能力，避免在下游任务上过拟合。
行业文本数据主要为了提升模型解决下游任务的能力。以Llama模型的数据配比为例，主要包括了82%的网页数据、6.5%的代码数据、4.5%的书籍数据、4.5%的百科数据，以及2.5%的论文数据。但是对于一些更加注重代码生成能力的代码大模型，则需要混入更多的代码数据。

在实际训练的过程中，通用文本数据和行业文本数据的比例非常重要，如果行业数据的比例过高，可能会丢过多的通用能力，反之可能无法很好地学习行业知识。通常来说，行业数据和通用数据的比例在1:4至1:9之间，如果行业数据的质量较高，可以适当增加行业数据的混合比例。如果想要尽可能多地保留通用能力，则应该混入更多的高质量通用数据。

针对不同的行业场景，也应该考虑更加合适的配比方案：

医疗场景：重点是患者问诊、病例分析、药物推荐等，通常需要精准的领域数据。配比方案应优先考虑医学领域数据，以及各个医院的真实数据，确保模型能处理专业性强的文本和更加实际的案例。
金融场景：以财经新闻、股票市场分析报告、金融法规等为主。配比方案应关注财经新闻数据和金融报告等内容。该场景需要根据实际数据质量进行考虑，如果数据中包含有大量的财务报表等知识密度较低的数据，则可以适当降低该数据的比例。
法律场景：聚焦法律条文、判例库、裁判文书、合同文书等，数据的专业性要求较高，但是数据中可能包含很多的人名地名，需要针对性进行数据加工。配比方案应特别注重法律领域数据，并避免过多的通用数据。法律文献的数据质量通常较为不错，可适当提高行业数据的比例。
客服场景：包括客户对话记录、FAQ数据、客服手册等。配比方案应重点考虑用户交互和问题解答相关数据。客户对话的数据质量通常没有那么高，可适当降低行业数据的比例。

数据配比操作步骤

在ModelArts Studio平台上使用数据集配比功能时：

登录ModelArts Studio平台，进入所需空间。
在左侧导航栏中选择“数据工程 > 数据加工 > 配比任务”，单击界面右上角“创建配比任务”。

文本类型选择“预训练文本”，之后选择需要配比的数据集，单击“下一步”。
图1 选择配比数据集

输入每个数据集配置的条数比例，单击“下一步”。

填写“资源配置”，“数据集名称”和“描述”，以及“扩展信息”。

资源配置：

单击点击放大展开资源配置，可以设置任务资源。也支持自定义参数配置，单击添加参数，输入参数名称和参数值。

表1 参数配置
参数名称	参数说明
numExecutors	Executor的数量，默认值2。Executor是运行在工作节点上的进程，它负责执行具体的task任务，并将计算结果返回给Driver。每个Executor每个核同时能跑一个task任务，所以增加了Executor的个数相当于增大了任务的并发度。在资源充足的情况下，可以相应增加Executor的个数，以提高运行效率。 numExecutors * executorMemory最小值为4，最大值为16。
executorCores	每个Executor进程使用的CPU内核数量，默认值2。每个Executor多个核同时能跑多个task任务，相当于增大了任务的并发度。但是由于所有核共用Executor的内存，所以要在内存和核数之间做好平衡。 numExecutors * executorMemory最小值为4，最大值为16。executorCores和executorMemory的比例需要在1:2~1:4之间。
executorMemory	每个Executor进程使用的内存数量，默认值4。Executor的内存主要用于任务执行、通信等。当一个任务很大的时候，可能需要较多资源，因而内存也可以做相应的增加；当一个任务较小运行较快时，就可以增大并发度减少内存。 executorCores和executorMemory的比例需要在1:2~1:4之间。
driverCores	驱动程序进程使用的CPU内核数量，默认值2。Driver负责任务的调度，和Executor之间的消息通信。 driverCores和driverMemory的比例需要在1:2~1:4之间。
driverMemory	驱动程序进程使用的内存数量，默认值4。Driver负责任务的调度，和Executor之间的消息通信。当任务数变多，任务平行度增大时，Driver内存都需要相应增大。 driverCores和driverMemory的比例需要在1:2~1:4之间。

图2 资源配置

自动生成加工数据集：

勾选，配置生成加工数据集的信息，如图自动生成加工数据集；单击右下角“确定”，平台将启动配比任务。配比任务运行成功后自动生成加工数据集。

不勾选，单击右下角“确定”，平台将启动配比任务。配比任务运行成功后手动生成加工数据集。

图3 自动生成加工数据集
点击放大

扩展信息（可选）：

可选择行业、语言信息，或自定义数据集属性。

图4 扩展信息

单击页面右下角“确定”，回退至“配比任务”页面，在该页面可以查看数据集配比任务的状态，若状态为“数据集生成成功”，则数据配比成功。

数据发布操作步骤

为了将数据用于后续模型训练等操作，需要将数据集发布为特定格式，文本类数据集支持发布的格式有标准格式和盘古格式两种，在预训练数据发布时，这两种数据格式与预处理阶段的数据格式是一致的。

创建文本类数据集发布任务步骤如下：

登录ModelArts Studio平台，进入所需空间。
在左侧导航栏中选择“数据工程 > 数据发布 > 发布任务”，单击界面右上角“创建发布任务”。
在“创建发布任务”页面，选择数据集模态“文本 > 预训练文本”类型的数据集，选择数据集，单击“下一步”。
图5 创建数据发布任务

在“基本配置”中选择数据用途、数据集可见性、使用场景和格式配置。

填写参数配置、数据集名称、描述，设置扩展信息后，单击“下一步”。

表2 参数配置
参数名称	参数说明
numExecutors	Executor的数量，默认值2。Executor是运行在工作节点上的进程，它负责执行具体的task任务，并将计算结果返回给Driver。每个Executor每个核同时能跑一个task任务，所以增加了Executor的个数相当于增大了任务的并发度。在资源充足的情况下，可以相应增加Executor的个数，以提高运行效率。 numExecutors * executorMemory最小值为4，最大值为16。
executorCores	每个Executor进程使用的CPU内核数量，默认值2。每个Executor多个核同时能跑多个task任务，相当于增大了任务的并发度。但是由于所有核共用Executor的内存，所以要在内存和核数之间做好平衡。 numExecutors * executorMemory最小值为4，最大值为16。executorCores和executorMemory的比例需要在1:2~1:4之间。
executorMemory	每个Executor进程使用的内存数量，默认值4。Executor的内存主要用于任务执行、通信等。当一个任务很大的时候，可能需要较多资源，因而内存也可以做相应的增加；当一个任务较小运行较快时，就可以增大并发度减少内存。 executorCores和executorMemory的比例需要在1:2~1:4之间。
driverCores	驱动程序进程使用的CPU内核数量，默认值2。Driver负责任务的调度，和Executor之间的消息通信。 driverCores和driverMemory的比例需要在1:2~1:4之间。
driverMemory	驱动程序进程使用的内存数量，默认值4。Driver负责任务的调度，和Executor之间的消息通信。当任务数变多，任务平行度增大时，Driver内存都需要相应增大。 driverCores和driverMemory的比例需要在1:2~1:4之间。