数据集概览

torchtune 允许您使用在 Hugging Face Hub 上找到的任何数据集、本地下载的数据集或远程 URL 上的数据集来微调大型语言模型（LLMs）和视觉语言模型（VLMs）。我们提供了内置的数据集构建器，帮助您快速启动微调项目，适用于包括指令微调、偏好对齐、继续预训练等多种工作流。除此之外，torchtune 还支持数据集管道的完全自定义，让您能够训练任何数据格式或模式的数据。

支持以下任务：

• Text supervised fine-tuning

  • 指令数据集

  • 聊天数据集

• Multimodal supervised fine-tuning

  • 多模态数据集

• RLHF

  • 偏好数据集

• Continued pre-training

  • 文本补全数据集

数据管道

从原始数据样本到训练配方中的模型输入，所有torchtune数据集都遵循相同的流程：

1. 原始数据从 Hugging Face 数据集、本地文件或远程文件中逐样本查询。

2. 消息转换 将原始样本（可以采用任何格式）转换为 torchtune 消息列表。 消息。图像包含在与它们关联的消息对象中。

3. 多模态转换 会对消息应用特定模型的转换，包括分词（参见 分词器）、提示模板化（参见 提示模板）、图像转换以及该特定模型所需的任何其他内容。

4. collater 将处理后的样本打包成批次，在训练期间将该批次传入模型。