108 lines
3.6 KiB
Markdown
108 lines
3.6 KiB
Markdown
如果您使用自定义数据集，请务必在 `dataset_info.json` 文件中按照以下格式提供数据集定义。
|
||
|
||
```json
|
||
"数据集名称": {
|
||
"hf_hub_url": "Hugging Face 上的项目地址（若指定，则忽略下列三个参数）",
|
||
"script_url": "包含数据加载脚本的本地文件夹名称（若指定，则忽略下列两个参数）",
|
||
"file_name": "该目录下数据集文件的名称（若上述参数未指定，则此项必需）",
|
||
"file_sha1": "数据集文件的SHA-1哈希值（可选，留空不影响训练）",
|
||
"subset": "数据集子集的名称（可选，默认：None）",
|
||
"ranking": "是否为偏好数据集（可选，默认：False）",
|
||
"formatting": "数据集格式（可选，默认：alpaca，可以为 alpaca 或 sharegpt）",
|
||
"columns": {
|
||
"prompt": "数据集代表提示词的表头名称（默认：instruction，用于 alpaca 格式）",
|
||
"query": "数据集代表请求的表头名称（默认：input，用于 alpaca 格式）",
|
||
"response": "数据集代表回答的表头名称（默认：output，用于 alpaca 格式）",
|
||
"history": "数据集代表历史对话的表头名称（默认：None，用于 alpaca 格式）",
|
||
"messages": "数据集代表消息列表的表头名称（默认：conversations，用于 sharegpt 格式）",
|
||
"role": "消息中代表发送者身份的键名（默认：from，用于 sharegpt 格式）",
|
||
"content": "消息中代表文本内容的键名（默认：value，用于 sharegpt 格式）"
|
||
}
|
||
}
|
||
```
|
||
|
||
添加后可通过指定 `--dataset 数据集名称` 参数使用自定义数据集。
|
||
|
||
该项目目前支持两种格式的数据集：**alpaca** 和 **sharegpt**，其中 alpaca 格式的数据集按照以下方式组织：
|
||
|
||
```json
|
||
[
|
||
{
|
||
"instruction": "用户指令（必填）",
|
||
"input": "用户输入（选填）",
|
||
"output": "模型回答（必填）",
|
||
"history": [
|
||
["第一轮指令（选填）", "第一轮回答（选填）"],
|
||
["第二轮指令（选填）", "第二轮回答（选填）"]
|
||
]
|
||
}
|
||
]
|
||
```
|
||
|
||
对于上述格式的数据，`dataset_info.json` 中的 `columns` 应为：
|
||
|
||
```json
|
||
"数据集名称": {
|
||
"columns": {
|
||
"prompt": "instruction",
|
||
"query": "input",
|
||
"response": "output",
|
||
"history": "history"
|
||
}
|
||
}
|
||
```
|
||
|
||
其中 `prompt` 和 `response` 列应当是非空的字符串，分别代表用户指令和模型回答。`query` 列的内容将会和 `prompt` 列拼接作为模型输入。
|
||
|
||
`history` 列是由多个字符串二元组构成的列表，分别代表历史消息中每轮的指令和回答。注意每轮的模型回答**均会被用于训练**。
|
||
|
||
对于预训练数据集，仅 `prompt` 列中的内容会用于模型训练。
|
||
|
||
对于偏好数据集，`response` 列应当是一个长度为 2 的字符串列表，排在前面的代表更优的回答，例如：
|
||
|
||
```json
|
||
{
|
||
"instruction": "用户指令",
|
||
"input": "用户输入",
|
||
"output": [
|
||
"优质回答",
|
||
"劣质回答"
|
||
]
|
||
}
|
||
```
|
||
|
||
而 sharegpt 格式的数据集按照以下方式组织：
|
||
|
||
```json
|
||
[
|
||
{
|
||
"conversations": [
|
||
{
|
||
"from": "human",
|
||
"value": "用户指令"
|
||
},
|
||
{
|
||
"from": "gpt",
|
||
"value": "模型回答"
|
||
}
|
||
]
|
||
}
|
||
]
|
||
```
|
||
|
||
对于上述格式的数据，`dataset_info.json` 中的 `columns` 应为：
|
||
|
||
```json
|
||
"数据集名称": {
|
||
"columns": {
|
||
"messages": "conversations",
|
||
"role": "from",
|
||
"content": "value"
|
||
}
|
||
}
|
||
```
|
||
|
||
其中 `messages` 列必须为偶数长度的列表，且符合 `用户/模型/用户/模型/用户/模型` 的顺序。
|
||
|
||
预训练数据集和偏好数据集尚不支持 sharegpt 格式。
|