加工文本类数据集

加工文本类数据集任务前，请先完成数据导入操作，具体步骤请参见导入数据至盘古平台。

创建文本类数据集加工任务步骤如下：

1. 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。
   图1 我的空间
   
2. 在左侧导航栏中选择“数据工程 > 数据加工 > 加工任务”，单击界面右上角“创建加工任务”。
3. 在“创建加工任务”页面，选择需要加工的文本类数据集，单击“下一步”。
4. 进入“加工步骤编排”页面。对于文本类数据集，可选择的加工算子请参见文本类加工算子介绍。
   1. 在左侧“添加算子”分页勾选所需算子。根据实际场景，可以选择一个或多个。

      平台支持选择预置算子或自定义算子，如果使用自定义算子，创建步骤见自定义数据集加工算子。

   2. 在右侧“加工步骤编排”页面配置各算子参数，可拖动右侧“”以调整算子执行顺序。
      图2 算子编排

      

      

      如果算子参数涉及大模型选择，需要在ModelArtsStudio中购买模型并部署。

   3. 在编排过程中，可单击右上角“保存为模板”将当前编排流程保存为模板。后续创建新的数据加工任务时，可通过已保存的模板创建任务，参考使用加工模板。
5. 加工步骤编排完成后，单击“下一步”进入“任务配置界面”。
   • 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。Executor（执行器）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（驱动程序）。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3 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4；单击右下角“确定”，平台将启动加工任务。加工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”，平台将启动加工任务。加工任务运行成功后需要手动生成加工数据集。

     图4 自动生成加工数据集
     
   • 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5 扩展信息
     
6. 单击“启动加工”后，启动加工任务。当数据加工任务运行成功后，状态将从“运行中”变为“运行成功”，表示数据已经完成加工。
   

   • 在完成数据加工后，如果无需使用数据标注、数据合成功能，可直接在“加工任务”页面单击操作列“生成”，生成加工数据集。
   • 加工后的数据集可在“数据工程 > 数据管理 > 数据集 > 加工数据集”中查看。