text_completion_dataset

torchtune.datasets.text_completion_dataset(tokenizer: ModelTokenizer, source: str, column: str = 'text', add_eos: bool = True, packed: bool = False, split_across_pack: bool = True, split: str = 'train', filter_fn: Optional[Callable] = None, **load_dataset_kwargs: Dict[str, Any]) → Union[TextCompletionDataset, PackedDataset]

从类似于预训练中使用的数据集中类似于自由格式、非结构化文本语料库的可配置数据集中构建数据集。此方法应用于从 yaml 配置中配置自定义文本数据集，而不是直接使用 TextCompletionDataset，因为它旨在对配置友好。

参数：

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

• source (str) – Hugging Face 上数据集存储库的路径。对于本地数据集，将 source 定义为数据文件类型（例如“json”、“csv”、“text”），并在 data_files 中传递文件路径。有关更多详细信息，请参阅 Hugging Face 的 load_dataset (https://hugging-face.cn/docs/datasets/en/package_reference/loading_methods#datasets.load_dataset.path)。

• column (str) – 样本中包含文本数据的列的名称。这通常是 Hugging Face 数据集或表格数据所必需的。对于具有单列的本地数据集（例如非结构化 txt 文件），请使用默认值“text”，Hugging Face 数据集在加载到内存时使用此值。默认为“text”。

• add_eos (bool) – 是否在序列末尾添加 EOS 标记。默认为 True。

• packed (bool) – 是否在训练前将数据集打包到 max_seq_len。默认为 False。

• split_across_pack (bool) – 如果包中的最后一个样本不适合 max_seq_len，则将样本拆分到下一个包中，或将其完全移动到下一个包的开头。对于预训练，通常将其设置为 True 以进行通用文本补全。对于微调，通常将其设置为 False 以避免在指令微调中截断句子。如果 packed=False，则忽略此参数。默认为 True。

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

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

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

示例

>>> from torchtune.datasets import text_completion_dataset
>>> dataset = text_completion_dataset(
...   tokenizer=tokenizer,
...   source="allenai/c4",
...   column="text",
...   data_dir="realnewslike",
...   packed=False,
...   split="train",
... )

这也可以通过 yaml 配置来实现

dataset:
    _component_: torchtune.datasets.text_completion_dataset
    source: allenai/c4
    column: text
    data_dir: realnewslike
    packed: False
    split: train

返回值:

已配置的 TextCompletionDataset

或 PackedDataset 如果 packed=True

返回类型:

Union[TextCompletionDataset, PackedDataset]

引发异常:

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