指令数据集¶

指令微调是指训练大型语言模型 (LLM) 执行特定任务。这通常采用用户命令或提示以及助手响应的形式，并可选地包含描述当前任务的系统提示。这比模型通常进行预训练的自由形式文本关联更有结构，后者是模型学习专门预测下一个 token 而不是完成任务。

在 torchtune 中，使用指令数据集进行微调的主要入口是 instruct_dataset() 构建器。这允许你直接从配置文件中指定遵循指令数据格式的本地或 Hugging Face 数据集，并在此数据集上训练你的 LLM。

指令数据集示例¶

这是一个用于微调语法纠错任务的指令数据集示例。

head data/my_data.csv
# incorrect,correct
# This are a cat,This is a cat.

from torchtune.models.gemma import gemma_tokenizer
from torchtune.datasets import instruct_dataset

g_tokenizer = gemma_tokenizer(
    path="/tmp/gemma-7b/tokenizer.model",
    prompt_template="torchtune.data.GrammarErrorCorrectionTemplate",
    max_seq_len=8192,
)
ds = instruct_dataset(
    tokenizer=g_tokenizer,
    source="csv",
    data_files="data/my_data.csv",
    split="train",
    # By default, user prompt is ignored in loss. Set to True to include it
    train_on_input=True,
    # Prepend a system message to every sample
    new_system_prompt="You are an AI assistant. ",
    # Use columns in our dataset instead of default
    column_map={"input": "incorrect", "output": "correct"},
)
tokenized_dict = ds[0]
tokens, labels = tokenized_dict["tokens"], tokenized_dict["labels"]
print(g_tokenizer.decode(tokens))
# You are an AI assistant. Correct this to standard English:This are a cat---\nCorrected:This is a cat.
print(labels)  # System message is masked out, but not user message
# [-100, -100, -100, -100, -100, -100, 27957, 736, 577, ...]

# In config
tokenizer:
  _component_: torchtune.models.gemma.gemma_tokenizer
  path: /tmp/gemma-7b/tokenizer.model
  prompt_template: torchtune.data.GrammarErrorCorrectionTemplate
  max_seq_len: 8192

dataset:
  source: csv
  data_files: data/my_data.csv
  split: train
  train_on_input: True
  new_system_prompt: You are an AI assistant.
  column_map:
    input: incorrect
    output: correct

指令数据集格式¶

指令数据集应遵循输入-输出格式，其中用户提示在一列，助手提示在另一列。

|  input          |  output          |
|-----------------|------------------|
| "user prompt"   | "model response" |

例如，你可以查看 C4 200M 数据集的 schema。

从 Hugging Face 加载指令数据集¶

你只需将数据集仓库名称传递给 source 参数，该参数随后会传递给 Hugging Face 的 load_dataset 函数。对于大多数数据集，你还需要指定 split 参数。

# In code
from torchtune.models.gemma import gemma_tokenizer
from torchtune.datasets import instruct_dataset

g_tokenizer = gemma_tokenizer("/tmp/gemma-7b/tokenizer.model")
ds = instruct_dataset(
    tokenizer=g_tokenizer,
    source="liweili/c4_200m",
    split="train"
)

# In config
tokenizer:
  _component_: torchtune.models.gemma.gemma_tokenizer
  path: /tmp/gemma-7b/tokenizer.model

# Tokenizer is passed into the dataset in the recipe
dataset:
  _component_: torchtune.datasets.instruct_dataset
  source: liweili/c4_200m
  split: train

这将使用默认列名“input”和“output”。要更改列名，请使用 column_map 参数（参见重命名列）。

加载本地和远程指令数据集¶

要通过 https 加载遵循指令格式的本地或远程数据集，你需要指定 source、data_files 和 split 参数。有关加载本地或远程文件的更多详细信息，请参阅 Hugging Face 的 load_dataset 文档。

# In code
from torchtune.models.gemma import gemma_tokenizer
from torchtune.datasets import instruct_dataset

g_tokenizer = gemma_tokenizer("/tmp/gemma-7b/tokenizer.model")
ds = instruct_dataset(
    tokenizer=g_tokenizer,
    source="json",
    data_files="data/my_data.json",
    split="train",
)

# In config
tokenizer:
  _component_: torchtune.models.gemma.gemma_tokenizer
  path: /tmp/gemma-7b/tokenizer.model

# Tokenizer is passed into the dataset in the recipe
dataset:
  _component_: torchtune.datasets.instruct_dataset
  source: json
  data_files: data/my_data.json
  split: train

重命名列¶

你可以通过将 column_map 指定为 {" column>": " in your dataset>"} 来将默认列名重新映射到数据集中的列名。默认列名在每个数据集构建器中都有详细说明（例如，请参阅 instruct_dataset() 和 chat_dataset()）。

例如，如果默认列名是“input”、“output”，你需要将它们更改为其他名称，例如“prompt”、“response”，则可以设置 column_map = {"input": "prompt", "output": "response"}。

# data/my_data.json
[
    {"prompt": "hello world", "response": "bye world"},
    {"prompt": "are you a robot", "response": "no, I am an AI assistant"},
    ...
]

from torchtune.models.gemma import gemma_tokenizer
from torchtune.datasets import instruct_dataset

g_tokenizer = gemma_tokenizer("/tmp/gemma-7b/tokenizer.model")
ds = instruct_dataset(
    tokenizer=g_tokenizer,
    source="json",
    data_files="data/my_data.json",
    split="train",
    column_map={"input": "prompt", "output": "response"},
)

# Tokenizer is passed into the dataset in the recipe
dataset:
  _component_: torchtune.datasets.instruct_dataset
  source: json
  data_files: data/my_data.json
  split: train
  column_map:
    input: prompt
    output: response

指令模板¶

通常对于指令数据集，你会想要添加一个 PromptTemplate 来提供与任务相关的信息。例如，对于语法纠错任务，我们可能希望使用 GrammarErrorCorrectionTemplate 这样的 prompt 模板来构建每个样本。Prompt 模板会传递给分词器，并自动应用于你正在微调的数据集。有关更多详细信息，请参阅使用 prompt 模板。