llama factory 是如何加载数据集通过对数据集加载的代码的理解编写自定义数据集训练代码-Toy模板网

这篇具有很好参考价值的文章主要介绍了llama factory 是如何加载数据集通过对数据集加载的代码的理解编写自定义数据集训练代码。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

第一层从训练代码追踪到以下代码

def get_dataset(
    tokenizer: "PreTrainedTokenizer",
    model_args: "ModelArguments",
    data_args: "DataArguments",
    training_args: "Seq2SeqTrainingArguments",
    stage: Literal["pt", "sft", "rm", "ppo"],
    # split: Optional[str] = "train", # TODO: add split
) -> Union["Dataset", "IterableDataset"]:
    template = get_template_and_fix_tokenizer(tokenizer, data_args.template)
    if data_args.train_on_prompt and template.efficient_eos:
        raise ValueError("Current template does not support `train_on_prompt`.")

    # Load from cache
    if data_args.cache_path is not None:
        if os.path.exists(data_args.cache_path):
            logger.warning("Loading dataset from disk will ignore other data arguments.")
            dataset = load_from_disk(data_args.cache_path)
            if data_args.streaming:
                dataset = dataset.to_iterable_dataset()
            return dataset

    with training_args.main_process_first(desc="load dataset"):
        all_datasets = []
        for dataset_attr in get_dataset_list(data_args):
            all_datasets.append(load_single_dataset(dataset_attr, model_args, data_args))
        dataset = merge_dataset(all_datasets, data_args, training_args)

    with training_args.main_process_first(desc="pre-process dataset"):
        preprocess_func, print_function = get_preprocess_and_print_func(
            tokenizer, template, data_args, training_args, stage
        )
        column_names = list(next(iter(dataset)).keys())
        kwargs = {}
        if not data_args.streaming:
            kwargs = dict(
                num_proc=data_args.preprocessing_num_workers,
                load_from_cache_file=(not data_args.overwrite_cache),
                desc="Running tokenizer on dataset",
            )

        dataset = dataset.map(preprocess_func, batched=True, remove_columns=column_names, **kwargs)

        if data_args.cache_path is not None and not os.path.exists(data_args.cache_path):
            if training_args.should_save:
                dataset.save_to_disk(data_args.cache_path)
                logger.info("Dataset cache saved at {}.".format(data_args.cache_path))

        if training_args.should_log:
            try:
                print_function(next(iter(dataset)))
            except StopIteration:
                raise RuntimeError("Cannot find valid samples, check `data/README.md` for the data format.")

        return dataset

这段Python代码定义了一个名为get_dataset的函数，其目的是根据给定的参数加载和预处理一个数据集。下面是该函数的逐步解读：

函数参数：
- tokenizer: 一个预训练的tokenizer对象，用于处理文本数据。
- model_args, data_args, training_args: 分别包含模型、数据和训练的参数。
- stage: 指定当前的训练阶段，如"pt"（预训练）、“sft”（监督微调）、“rm”（奖励模型训练）或"ppo"（PPO训练）。
- split: 指定数据集的分割，默认为"train"。
函数逻辑：
- 首先，获取模板并修复tokenizer（get_template_and_fix_tokenizer函数未在代码中给出）。
- 检查是否支持train_on_prompt功能，如果不支持则抛出错误。
- 尝试从磁盘加载数据集。如果设置了cache_path且该路径下数据集存在，则直接从磁盘加载，忽略其他数据参数。如果需要流式传输，则将数据集转换为可迭代的。
- 如果数据集不存在或需要重新生成，则使用get_dataset_list函数获取所有数据集属性，并使用load_single_dataset函数为每个属性加载数据集。然后，使用merge_dataset函数合并所有数据集。
- 对数据集进行预处理。预处理函数preprocess_func和打印函数print_function由get_preprocess_and_print_func函数返回。预处理包括将数据集的每一行映射到tokenizer。如果不在流式传输模式下，还会使用多进程进行预处理。
- 如果设置了cache_path，并且尚未创建，则将数据集保存到磁盘。
- 如果需要日志记录，则打印数据集的一个样本。
函数返回：
返回一个数据集对象，可以是普通的Dataset或可迭代的IterableDataset。
这个函数的主要目的是提供一个统一的接口来加载、合并和预处理数据集，同时支持缓存和流式传输，适用于不同的训练阶段。

第二层阅读加载单个数据的代码

def load_single_dataset(
    dataset_attr: "DatasetAttr",
    model_args: "ModelArguments",
    data_args: "DataArguments",
):
    logger.info("Loading dataset {}...".format(dataset_attr))
    data_path, data_name, data_dir, data_files = None, None, None, None
    if dataset_attr.load_from in ["hf_hub", "ms_hub"]:
        data_path = dataset_attr.dataset_name
        data_name = dataset_attr.subset
        data_dir = dataset_attr.folder
    elif dataset_attr.load_from == "script":
        data_path = os.path.join(data_args.dataset_dir, dataset_attr.dataset_name)
        data_name = dataset_attr.subset
        data_dir = dataset_attr.folder
    elif dataset_attr.load_from == "file":
        data_files = []
        local_path: str = os.path.join(data_args.dataset_dir, dataset_attr.dataset_name)
        if os.path.isdir(local_path):  # is directory
            for file_name in os.listdir(local_path):
                data_files.append(os.path.join(local_path, file_name))
                if data_path is None:
                    data_path = FILEEXT2TYPE.get(file_name.split(".")[-1], None)
                elif data_path != FILEEXT2TYPE.get(file_name.split(".")[-1], None):
                    raise ValueError("File types should be identical.")
        elif os.path.isfile(local_path):  # is file
            data_files.append(local_path)
            data_path = FILEEXT2TYPE.get(local_path.split(".")[-1], None)
        else:
            raise ValueError("File not found.")
        if data_path is None:
            raise ValueError("File extension must be txt, csv, json or jsonl.")
        checksum(data_files, dataset_attr.file_sha1)
    else:
        raise NotImplementedError
    if dataset_attr.load_from == "ms_hub":
        try:
            from modelscope import MsDataset
            from modelscope.utils.config_ds import MS_DATASETS_CACHE
            cache_dir = model_args.cache_dir or MS_DATASETS_CACHE
            dataset = MsDataset.load(
                dataset_name=data_path,
                subset_name=data_name,
                data_dir=data_dir,
                data_files=data_files,
                split=data_args.split,
                cache_dir=cache_dir,
                token=model_args.ms_hub_token,
                use_streaming=(data_args.streaming and (dataset_attr.load_from != "file")),
            ).to_hf_dataset()
        except ImportError:
            raise ImportError("Please install modelscope via `pip install modelscope -U`")
    else:
        if "trust_remote_code" in inspect.signature(load_dataset).parameters:  # for datasets==2.16.0
            kwargs = {"trust_remote_code": True}
        else:
            kwargs = {}
        dataset = load_dataset(
            path=data_path,
            name=data_name,
            data_dir=data_dir,
            data_files=data_files,
            split=data_args.split,
            cache_dir=model_args.cache_dir,
            token=model_args.hf_hub_token,
            streaming=(data_args.streaming and (dataset_attr.load_from != "file")),
            **kwargs,
        )
    if data_args.streaming and (dataset_attr.load_from == "file"):  # faster than specifying streaming=True
        dataset = dataset.to_iterable_dataset()  # TODO: add num shards parameter
    if data_args.max_samples is not None:  # truncate dataset
        num_samples = min(data_args.max_samples, len(dataset))
        dataset = dataset.select(range(num_samples))
    return align_dataset(dataset, dataset_attr, data_args)

是一个独立文件读取的Python函数，用于根据提供的参数加载数据集。下面是该函数的中文解释：文章来源地址https://www.toymoban.com/news/detail-849457.html

日志记录：记录开始加载数据集的信息。
确定数据路径和名称：根据数据集的来源（“hf_hub”、“ms_hub”、“script”或“file”），计算数据集文件的正确路径。
校验和验证：如果数据集是从本地文件加载的，函数会根据dataset_attr中提供的预期值校验文件的有效SHA1校验和。
数据集加载：使用datasets库中的load_dataset函数加载数据集。加载数据集的参数根据来源和提供的额外参数确定。
流调整：如果设置了data_args.streaming且数据集是从文件加载的，则将数据集转换为可迭代的，更适合流式传输的数据集。
数据集截断：如果设置了data_args.max_samples，则截断数据集到指定的样本数。
对齐数据集：调用align_dataset函数将数据集与dataset_attr和data_args对齐。这个函数在提供的代码中没有定义，所以它的确切行为是未知的。
返回数据集：返回已加载和处理的数据集。
请注意，该函数假设存在某些变量和函数，如logger、os、inspect和load_dataset，这些都是Python代码中的典型内容。此外，align_dataset在提供的代码中被引用，但没有定义，这表明可能还有其他代码定义了这个函数及其行为。