baichuan2 chat模型sft指令微调数据格式分析

2023-11-07 05:20

本文主要是介绍baichuan2 chat模型sft指令微调数据格式分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、前言

百川官网:https://www.baichuan-ai.com/
模型权重:https://huggingface.co/baichuan-inc/Baichuan2-13B-Chat
记录一下 baichuan 2 的 tokenizer 及 chat 数据构建格式。

二、数据处理代码

根据官方 github 的 finetune 代码,将其 preprocessing 方法抽离单独测试。为方便记录,代码中的注释暂时假设每个汉字为一个token,且 input_ids 的注释和实际 id 不保证对应。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torchpath = "Baichuan2-13B-Chat"
tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True)user_tokens = [195]
assistant_tokens=[196]
ignore_index = -100
model_max_length = 10def preprocessing(example):input_ids = []labels = []for message in example["conversations"]:from_ = message["from"]value = message["value"]value_ids = tokenizer.encode(value)if from_ == "human":input_ids += user_tokens + value_ids    labels += [tokenizer.eos_token_id] + [ignore_index] * len(value_ids)# input_ids = <reserved_106>    你   是   谁# labels    =       </s>      -100 -100  -100else:input_ids += assistant_tokens + value_idslabels += [ignore_index] + value_ids# input_ids = <reserved_106>    你   是   谁    <reserved_107>  我  是  木  尧# labels    =       </s>      -100 -100  -100        -100       我  是  木  尧input_ids.append(tokenizer.eos_token_id)labels.append(tokenizer.eos_token_id)# input_ids = <reserved_106>    你   是   谁    <reserved_107>   我  是  木  尧    </s># labels    =       </s>      -100 -100  -100        -100       我  是  木  尧   </s># 切片 截断前 model_max_length 个 tokeninput_ids = input_ids[:model_max_length]labels = labels[:model_max_length]input_ids += [tokenizer.pad_token_id] * (model_max_length - len(input_ids))labels += [ignore_index] * (model_max_length - len(labels))# input_ids = <reserved_106>    你   是   谁    <reserved_107>   我  是  木  尧    </s>  <unk>  <unk>  <unk> ...  <unk># labels    =       </s>      -100 -100  -100        -100       我  是  木  尧    </s>   -100   -100   -100  ... -100input_ids = torch.LongTensor(input_ids)labels = torch.LongTensor(labels)attention_mask = input_ids.ne(tokenizer.pad_token_id) # ne 即 not equal 不等于,不等于unk则为true即mask掉,等于则为false# input_ids         = <reserved_106>    你   是   谁    <reserved_107>   我  是   木  尧    </s>  <unk>  <unk>  <unk> ...  <unk># labels            =       </s>      -100  -100  -100       -100        我  是   木  尧    </s>   -100   -100   -100  ... -100# attention_mask    =       True        True True True       True     True True True True True  True    True   True  ...  Truereturn {"input_ids": input_ids,"labels": labels,"attention_mask": attention_mask,}

example 数据格式及运行测试:

preprocessing({"system": "","conversations": [{"from": "human","value": "你是谁"},{"from": "yayi","value": "我是木尧"}]
})# Output:
# {'input_ids': tensor([  195, 92067,   196,  6461, 93334, 95562,     2,     0,     0,     0]),
# 'labels': tensor([    2,  -100,  -100,  6461, 93334, 95562,     2,  -100,  -100,  -100]),
# 'attention_mask': tensor([ True,  True,  True,  True,  True,  True,  True, False, False, False])}

案例分析:

  • 百川2用预留的 token 表示 human 和 assistant 的内容,上面例子会转化成:<reserved_106>你是谁<reserved_107>我是木尧</s><unk><unk> ... <unk>
    • <reserved_106> (id=195)表示 human 输入。
    • <reserved_107> (id=196)表示 assistant 输出。
  • 首先,遍历 conversations 中的每一轮 human 和 assistant:
    • input_ids:前面拼上各自的标识符(<reserved_106><reserved_107> )之后拼接各自内容对应的 token ids。
    • labels:对于 human 的内容,其标识符对应位置是 </s> (的id),其他位置是 -100,不计算这些 loss 和梯度;对于 assistant 的内容,其标识符对应位置是 -100,其他位置和 input_ids 一致。(为啥开始不是-100而是</s>呢?issue里找到了答案,详见总结部分)
      在这里插入图片描述
  • 然后,分别在 input_ids 和 labels 追加结束符 </s>,并根据 model_max_length 填充 pad token 即 <unk>,或超长截断,并转成 tensor;
  • 最后,构造 attention_mask,非 pad token 的部分全是 true,pad token 部分全是 false,忽略后面这些填充位置的 attention 计算。

三、总结

在这里插入图片描述

上图是简单做了页PPT,以多轮数据为例。把 user_token_id 对应位置的 label 设置为结束符 </s>,推理时拼接多轮时就不用拼接结束符了。因为 human 的第一个token(位于’user_token_id’位置)实际上是与 assistant 部分中最后一个token(‘assistant_token_id’)对应的’next_token_label’。

附上 baichuan2 词表的前 2000 个token(从101: <reserved_12> 到 1088: <reserved_999> 都是预留的 token):

0 <unk>
1 <s>
2 </s>
3 <SEP>
4 <CLS>
5 \n
6 \t
7 <img>
8 <img/>
9 </img>
10 <h2>
11 <h2/>
12 </h2>
13 <td>
14 <td/>
15 </td>
16 <strong>
17 <strong/>
18 </strong>
19 <table>
20 <table/>
21 </table>
22 <tr>
23 <tr/>
24 </tr>
25 <li>
26 <li/>
27 </li>
28 <b>
29 <b/>
30 </b>
31 <h3>
32 <h3/>
33 </h3>
34 <br>
35 <br/>
36 </br>
37 <h4>
38 <h4/>
39 </h4>
40 <h5>
41 <h5/>
42 </h5>
43 <p>
44 <p/>
45 </p>
46 <h1>
47 <h1/>
48 </h1>
49 <tbody>
50 <tbody/>
51 </tbody>
5253545556575859606162 +
63 -
64 =
6566676869707172 .
73 !
74 ?
75 ...
76 。。。
77 。。。。。。
78798081828384 ```
85 <!--
86 -->
87 ---
88 <!DOCTYPE>
8990919293949596979899100101 <reserved_12>
102 <reserved_13>
103 <reserved_14>
104 <reserved_15>
......
1085 <reserved_996>
1086 <reserved_997>
1087 <reserved_998>
1088 <reserved_999>
1089 <0x00>
1090 <0x01>
1091 <0x02>
1092 <0x03>
......
1341 <0xFC>
1342 <0xFD>
1343 <0xFE>
1344 <0xFF>
1345 ▁t
1346 ▁a
1347 in
......
1996 ▁know
1997 ▁sec
1998 研究
1999 ▁these

这篇关于baichuan2 chat模型sft指令微调数据格式分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/361511

相关文章

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》:本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

Python 迭代器和生成器概念及场景分析

《Python迭代器和生成器概念及场景分析》yield是Python中实现惰性计算和协程的核心工具,结合send()、throw()、close()等方法,能够构建高效、灵活的数据流和控制流模型,这... 目录迭代器的介绍自定义迭代器省略的迭代器生产器的介绍yield的普通用法yield的高级用法yidle

C++ Sort函数使用场景分析

《C++Sort函数使用场景分析》sort函数是algorithm库下的一个函数,sort函数是不稳定的,即大小相同的元素在排序后相对顺序可能发生改变,如果某些场景需要保持相同元素间的相对顺序,可使... 目录C++ Sort函数详解一、sort函数调用的两种方式二、sort函数使用场景三、sort函数排序

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》:本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA

kotlin中const 和val的区别及使用场景分析

《kotlin中const和val的区别及使用场景分析》在Kotlin中,const和val都是用来声明常量的,但它们的使用场景和功能有所不同,下面给大家介绍kotlin中const和val的区别,... 目录kotlin中const 和val的区别1. val:2. const:二 代码示例1 Java

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An