slimorca_dataset

torchtune.datasets.slimorca_dataset(tokenizer: ModelTokenizer, *, source: str = 'Open-Orca/SlimOrca-Dedup', 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 SlimOrca 风格的对话数据集系列。

训练期间 prompt 的掩码处理由 train_on_input 标志控制，默认设置为 False - 如果 train_on_input 为 True，则 prompt 在训练期间使用并计入损失。 - 如果 train_on_input 为 False，则 prompt 将被掩盖（token 替换为 -100）

参数:

• tokenizer (ModelTokenizer) – 模型使用的分词器，它实现了 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 的 load_dataset。默认为 Open-Orca/SlimOrca-Dedup。

• column_map (Optional[Dict[str, str]]) – 从消息转换 ShareGPTToMessages 中的预期列到数据集中的新列名的映射。键应为“conversations”，值应为新列名。如果为 None，则使用 Open-Orca/SlimOrca-Dedup 中的默认列名 "conversations"。

• train_on_input (bool) – 模型是否在 prompt 上进行训练。默认为 False。

• new_system_prompt (Optional[str]) – 如果指定，则将系统消息前置到每个样本。这可以用作指导模型响应的指令。设置此项将覆盖数据集中已存在的任何系统消息。默认为 None。

• packed (bool) – 是否在训练之前将数据集打包到分词器的 max_seq_len。默认为 False。

• filter_fn (Optional[Callable]) – 用于在任何预处理之前过滤数据集的可调用函数。有关更多详细信息，请参阅 Hugging Face 文档。

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

• **load_dataset_kwargs (Dict[str, Any]) – 传递给 load_dataset 的其他关键字参数。

返回:

使用 SlimOrca 源数据配置的数据集

返回类型:

Union[SFTDataset, PackedDataset]

引发:

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

示例

>>> ds = slimorca_dataset(tokenizer=tokenizer)
>>> for input, label in ds:
>>>     print(input)
>>>     print(label)
>>>
>>> Sample Output:
>>> [1, 351, 82, 391, 221, 220, 193, 12, 471, ..., 2]
>>> [-100, -100, -100, -100, -100, -100, -100, -100, 471, ..., 2]