stack_exchange_paired_dataset

torchtune.datasets.stack_exchange_paired_dataset(tokenizer: ModelTokenizer, *, source: str = 'lvwerra/stack-exchange-paired', column_map: Optional[Dict[str, str]] = None, train_on_input: bool = False, filter_fn: Optional[Callable] = None, split: str = 'train', **load_dataset_kwargs: Dict[str, Any]) → PreferenceDataset

类似于 Stack Exchange Paired 数据集 的偏好数据集族。

建议将 tokenizer 配置为与此数据集结合使用 QuestionAnswerTemplate。

参数:

• tokenizer (ModelTokenizer) – 模型使用的分词器，实现了 tokenize_messages 方法。

• source (str) – Hugging Face 上的数据集仓库路径。对于本地数据集，将 source 定义为数据文件类型（例如，“json”、“csv”、“text”），并在 data_files 中传入文件路径。更多详情请参见 Hugging Face 的 load_dataset 文档。默认值为 lvwerra/stack-exchange-paired。

• column_map (Optional[Dict[str, str]]) – 将期望的“prompt”、“chosen”和“rejected”列名更改为数据集中实际列名的映射。键应为“prompt”、“chosen”和“rejected”，值应为实际列名。默认值为 None，保持默认列名。

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

• filter_fn (Optional[Callable]) – 用于在任何预处理之前过滤数据集的可调用对象。更多详情请参见 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%]"。默认值为 “train”。

• **load_dataset_kwargs (Dict[str, Any]) – 传递给 load_dataset 的额外关键字参数。

返回:

从源配对数据构建的偏好数据集。

返回类型:

PreferenceDataset