语法数据集

torchtune.datasets.grammar_dataset(tokenizer: ModelTokenizer, *, source: str = 'liweili/c4_200m', column_map: Optional[Dict[str, str]] = None, train_on_input: bool = False, new_system_prompt: Optional[str] = None, packed: bool = False, filter_fn: Optional[Callable] = None, split: str = 'train', **load_dataset_kwargs: Dict[str, Any]) → Union[SFTDataset, PackedDataset]

支持来自Hugging Face数据集的语法校正数据集及其变体。 这里是一个语法校正数据集的示例。

建议使用GrammarErrorCorrectionTemplate配置分词器，并结合此数据集。

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False - 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”），在 data_files 中传入文件路径，并设置 split="train"。有关更多详细信息，请参阅 Hugging Face’s 的 load_dataset。默认值为 liweili/c4_200m。

• column_map (可选[字典[str, str]]) – 从消息转换InputOutputToMessages中预期的列到数据集中新列名的映射。键应为“input”和“output”，值应为实际的列名。如果为None，则使用默认列名"input"和"output"``在 ``liweili/c4_200m中。

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

• new_system_prompt (可选[str]) – 如果指定，将在每个样本前添加一个系统消息。这可以作为指导模型响应的指令。设置此选项将覆盖数据集中已存在的任何系统消息。默认值为 None。

• packed (bool) – 是否在训练前将数据集打包到分词器的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。

Returns:

数据集配置了源数据和模板

Return type:

联合[SFTDataset, PackedDataset]

Raises:

ValueError – 如果 packed=True 并且 tokenizer.max_seq_len 未设置。

示例

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