alpaca数据集

torchtune.datasets.alpaca_dataset(tokenizer: ModelTokenizer, *, source: str = 'tatsu-lab/alpaca', column_map: Optional[Dict[str, str]] = None, train_on_input: bool = True, packed: bool = False, filter_fn: Optional[Callable] = None, split: str = 'train', **load_dataset_kwargs: Dict[str, Any]) → Union[SFTDataset, PackedDataset]

支持使用来自Hugging Face数据集的Alpaca风格数据集家族，使用原始alpaca代码库中的数据输入格式和提示模板，其中instruction、input和output是数据集中的字段。此模板会自动应用，独立于分词器中配置的任何提示模板。

训练期间提示的掩码由train_on_input标志控制，该标志默认设置为True。 - 如果train_on_input为True，提示在训练期间使用并影响损失。 - 如果train_on_input为False，提示被掩码（标记替换为-100）

Parameters:

• tokenizer (ModelTokenizer) – 模型使用的分词器，实现了tokenize_messages方法。

• source (str) – Hugging Face 上数据集仓库的路径。对于本地数据集，将 source 定义为数据文件类型（例如“json”、“csv”、“text”），并在 data_files 中传递文件路径。有关更多详细信息，请参阅 Hugging Face 的 load_dataset。默认值为 tatsu-lab/alpaca。

• column_map (可选[字典[str, str]]) – 从消息转换AlpacaToMessages中预期的列到数据集中新列名的映射。键应为“instruction”、“input”和“output”，值应为实际的列名。如果为None，则使用默认列名"instruction"、"input"和"output"在tatsu-lab/alpaca中。

• train_on_input (bool) – 模型是否在提示上进行训练。默认值为 False。

• packed (bool) – 是否在训练前将数据集打包到max_seq_len。默认值为False。

• filter_fn (可选[Callable]) – 用于在预处理之前过滤数据集的可调用对象。有关更多详细信息，请参阅Hugging Face的文档。

• split (str) – split 参数用于 datasets.load_dataset。您可以使用此参数加载给定拆分的子集，例如 split="train[:10%]"。默认值为“train”。

• **load_dataset_kwargs (Dict[str, Any]) – 传递给 load_dataset 的额外关键字参数。有关更多详细信息，请参阅 Hugging Face 的 API 参考。

Returns:

数据集配置了源数据和转换

Return type:

联合[SFTDataset, PackedDataset]

Raises:

ValueError – 如果 packed 为 True 且 max_seq_len 未在分词器上设置。

示例

>>> alpaca_ds = alpaca_dataset(tokenizer=tokenizer)
>>> for batch in Dataloader(alpaca_ds, batch_size=8):
>>>     print(f"Batch size: {len(batch)}")
>>> Batch size: 8