数据集概览

torchtune 允许您使用 Hugging Face Hub 上找到的任何数据集、本地下载的数据集或远程 URL 上的数据集来微调 LLM 和 VLM。我们提供内置的数据集构建器，以帮助您快速启动微调项目，用于包括指令调优、偏好对齐、持续预训练等工作流程。除此之外，torchtune 还允许您完全自定义数据集管道，让您可以使用任何数据格式或模式进行训练。

支持以下任务

• 文本监督微调

  • 指令数据集

  • 聊天数据集

• 多模态监督微调

  • 多模态数据集

• RLHF

  • 偏好数据集

• 持续预训练

  • 文本补全数据集

数据管道

从原始数据样本到训练配方中的模型输入，所有 torchtune 数据集都遵循相同的管道

1. 原始数据一次从 Hugging Face 数据集、本地文件或远程文件查询一个样本

2. 消息转换 将可以采用任何格式的原始样本转换为 torchtune 消息 列表。图像包含在与其关联的消息对象中。

3. 多模态转换 将模型特定的转换应用于消息，包括分词化（参见 分词器）、提示模板（参见 提示模板）、图像转换以及该特定模型所需的任何其他内容。

4. 收集器将处理后的样本打包到一个批次中，该批次在训练期间传递到模型中。