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，微调数据主要分为两种类型：

通用问答数据和行业问答数据。通用问答数据涵盖了数学、代码和逻辑推理等，主要是为了保留模型的通用能力。
行业指令数据主要为了提升模型解决下游任务的能力。以金融L1的数据配比为例，主要包括25%通用数学数据，20.5%通用代码数据，21.5%通用逻辑推理数据，12.5%通用非逻辑推理数据，20.5%行业数据。

在实际训练的过程中，通用问答数据和行业问答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，行业指令数据和通用指令数据的比例在控制在1:3左右，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。

数据配比与发布操作步骤

在ModelArts Studio平台上使用数据集配比功能时：

登录ModelArts Studio大模型开发平台，在“我的空间”模块，单击进入所需空间。
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”。
在“数据集模态”页签选择需要做数据配比的对应数据集模态，支持文本、图片、视频、预测类数据集做数据配比任务，如图1所示。
图1 数据集模态
在“选择数据集”页签选择需要配比的文本类数据集（至少选择两个），单击“下一步”。
在“数据配比”页面，支持两种配比方式，“按数据集”和“按标签”。
- 按数据集：可以设置不同数据集的配比数量，如图7 按“数据集”方式配比填写示例输入待配比数据集配比条数。
  图2 按“数据集”方式配比填写示例
- 按标签：该场景适用于通过数据打标类加工算子进行加工的文本类数据集，具体标签名称与标签值可在完成加工数据集操作后，进入数据集详情页面获取。
  填写示例如图10 “按标签”配比方式填写示例所示。
  
  图3 “按标签”配比方式填写示例

数据配比完成后，单击右下角“下一步”，进入资源配置，并选择是否勾选自动生成加工数据集。

资源配置：

单击

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。 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。 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。 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。 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。 driverCores和driverMemory的比例需要在1:2~1:4之间。