消息转换¶
消息转换负责将数据集中原始的样本字典转换为 torchtune 的 Message 结构。一旦数据被表示为 Message，torchtune 将处理分词并为模型准备数据。
配置消息转换¶
我们大多数内置的消息转换都包含用于控制输入掩码 (train_on_input)、添加系统提示 (new_system_prompt) 和更改预期列名 (column_map) 的参数。这些参数在我们的数据集构建器 instruct_dataset() 和 chat_dataset() 中暴露，因此您无需担心消息转换本身，可以直接从配置中进行设置。更多详细信息请参见指令数据集示例或对话数据集示例。
自定义消息转换¶
如果我们的内置消息转换不适合您的特定数据集，您可以创建自己的类，具有完全的灵活性。只需继承 Transform 类，并在 __call__ 方法中添加您的代码即可。
一个简单的虚构示例是，将数据集中的一列作为用户消息，另一列作为模型响应。实际上，这与 InputOutputToMessages 非常相似。
from torchtune.modules.transforms import Transform
from torchtune.data import Message
from typing import Any, Mapping
from pprint import pprint
class MessageTransform(Transform):
def __call__(self, sample: Mapping[str, Any]) -> Mapping[str, Any]:
messages = [
Message(
role="user",
content=sample["input"],
masked=True,
eot=True,
),
Message(
role="assistant",
content=sample["output"],
masked=False,
eot=True,
),
]
return {"messages": messages}
input_sample = {"input": "hello world", "output": "bye world"}
transform = MessageTransform()
output_sample = transform(input_sample)
pprint(output_sample)
# {'messages': [Message(role='user', content=['hello world']),
# Message(role='assistant', content=['bye world'])]}
有关如何操作 Message 对象的更多详细信息，请参阅创建消息。
要在您的数据集上使用此方法，您必须创建一个使用底层数据集类 SFTDataset 的自定义数据集构建器。
# In data/dataset.py
from torchtune.datasets import SFTDataset
def custom_dataset(tokenizer, **load_dataset_kwargs) -> SFTDataset:
message_transform = MyMessageTransform()
return SFTDataset(
source="json",
data_files="data/my_data.json",
split="train",
message_transform=message_transform,
model_transform=tokenizer,
**load_dataset_kwargs,
)
这可以直接从配置中使用。
dataset:
_component_: data.dataset.custom_dataset
