开始构建我们自己的大语言模型：数据处理部分
关注本专栏（NLP简论：手搓大语言模型实践） 继续学习从头编写、训练自己的大语言模型。
接上集，本章我们将深入说一下大语言模型数据处理部分的细节，并直接提供本部分的完整代码。
【配套资源】
暂时的词汇表：内部配套资料-LX2中文词汇表下载
*
在后面我们会根据需求微调
1. 数据准备
首先，我们需要准备原始文本数据。这些数据可以来自各种来源，如书籍、网页、社交媒体等。在处理这些数据之前，确保它们已经被清洗过，去除了噪声和无关内容。
暂时用不到所以不提供配套资源，后面会提供。
*
2. 词汇表构建
在构建大语言模型时，我们需要将文本转换为模型可以理解的数字形式。这通常通过构建一个词汇表（即Vocabulary）来实现（上一章我们提到过），词汇表中的每个词（或字符）都对应一个唯一的数字（我们成为索引）。
参考代码：
vocab = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ.,!?;'" # 示例词汇表，之后要用到的中文版大型词汇表见【配套资源】。
char2idx = {u: i for i, u in enumerate(vocab)} # 将每个字对应到数字
idx2char = np.array(vocab) # 将数字对应到每个字
# 打印部分词汇表以验证
print('{')
for char, _ in zip(char2idx, range(20)):
print(f' {repr(char)}: {char2idx[char]},')
print(' ...\n}')
3. 文本预处理
文本预处理是数据处理中的关键步骤，包括分词、去除停用词、词干提取等。在大语言模型中，由于我们通常在字符级别或子词级别操作，所以这些步骤可能相对简单。但是，我们仍然需要处理一些特殊字符，如换行符、制表符等。
4. 文本编码
将文本转换为模型可以处理的数字序列。这通常通过查找词汇表中每个字符的索引来实现。
5. 序列划分
由于大语言模型通常使用序列到序列（Seq2Seq）的学习方式，我们需要将长文本划分为多个较短的序列，每个序列包含一个输入部分和一个目标部分。这通常通过滑动窗口的方式实现。我们之前提到过，模型输入一段文本（序列）推理下一个token（这里是一个字）。
拓展知识（理解不了就不用理解了）
问：
为什么训练数据的X和y都是序列，按照之前说的，不应该是x是序列，y是序列的下一个token吗？
答：
在训练循环神经网络（RNN）时，我们通常使用教师强制（Teacher Forcing）技术。这意味着在每个时间步，模型的输入不仅包括来自上一时间步的隐藏状态，而且还包括来自训练数据集的真实下一个token，而不是模型自己在上一步预测的token。
*
例如，如果我们有一个训练序列 “abcd”，并且我们的目标是预测序列的下一个字符，那么目标序列将是"bcde"。在训练过程中，对于每一个时间步，我们都会给模型提供正确的下一个字符，而不是让模型基于自己的预测来做出下一步的预测。
*
具体来说，这是训练时的输入和目标是如何匹配的：
*
时间步1：输入是 “a”，目标是 “b”
时间步2：输入是 “b”，目标是 “c”
时间步3：输入是 “c”，目标是 “d”
时间步4：输入是 “d”，目标是 “e”
*
在这个过程中，模型的目标是在每个时间步预测出序列中的下一个字符。由于使用了教师强制，模型在每个时间步都得到了正确的输入，这有助于模型学习序列中的模式。但是，这种方法的一个潜在问题是，如果在推理阶段模型的预测出现错误，这个错误可能会在后续的预测中累积，因为模型现在是在用自己的预测作为输入，而不是真实的序列数据。
因此，训练和预测之间的主要区别在于，训练时使用教师强制提供正确的下一个token，而在预测时模型需要依靠自己的预测来决定后续的输入。
参考函数split_input_target：
def split_input_target(chunk):
input_text = chunk[:-1] # 输入文本为当前序列除最后一个字符外的所有字符
target_text = chunk[1:] # 目标文本为当前序列从第二个字符开始的所有字符
return input_text, target_text
6. 数据集准备
将处理好的数据转换为TensorFlow数据集格式，以便进行高效的批处理和训练。
参考代码片段：
import tensorflow as tf
# 假设 BUFFER_SIZE 和 BATCH_SIZE 已经定义
BUFFER_SIZE = 50000
BATCH_SIZE = 64
# 假设 vocab_size, embedding_dim, rnn_units, window 这里就不做定义了
# vocab_size：词汇表大小（有多少个token）
# embedding_dim：编码层维度（从几个维度理解token们）
# rnn_units：RNN（上面拓展知识提到过）层的神经元数量
# window：模型上下文长度（模型基于多长的原文预测下一个token）
# 加载保存的数据集
def load_dataset(path):
dataset = tf.data.experimental.load(path)
return dataset
# 加载数据集
dataset = load_dataset(r'path_to_your_dataset')
# 具体代码见文末
7. 注意事项
- 数据清洗：确保数据干净，无噪声。
- 内存管理：处理大型数据集时，注意内存使用，避免内存溢出。
- 数据增强：如果数据量不足，可以考虑数据增强技术。
- 效率优化：优化数据处理流程，提高训练效率。
通过以上步骤，我们可以为构建大语言模型准备好干净、高效的数据集。接下来，就可以进入模型构建和训练阶段了。
本部分完整代码：
def train( mt=3, big_file=False,#是否采用大文件加载策略 #微调数据集 path_to_file = r'en_novel.txt', ntype_='_en',#保存为微调模型名称 #设置vocab版本 vtype_='_lx',#type_# fen=50,#数据量分几份 fwidx=0,#第几份 BATCH_SIZE = 64, loadmodel=False, pass_=-1, ste=0, ):''' 多出的参数不必理会，后面会用到 ''' global LR,param_data,p_ntype p_ntype=ntype_ if ntype_[0]!='_':ntype_='_'+ntype_ type_=ntype_ print('path_to_file',path_to_file) print('LR',LR) import os #dataset与vocab是配对的！ if not os.path.exists(r'E:\小思框架\论文\ganskchat\vocab'+vtype_+'.txt'): raise Exception("can't reading vocab from "+r'E:\小思框架\论文\ganskchat\vocab'+vtype_+'.txt') else: with open('E:\\小思框架\\论文\\ganskchat\\vocab'+vtype_+'.txt','r',encoding='utf-8') as f: vocab=eval(f.read()) UNK=0 unkli=[] char2idx = {u:i for i, u in enumerate(vocab)} idx2char = np.array(vocab) print('{') for char,_ in zip(char2idx, range(20)): print(' {:4s}: {:3d},'.format(repr(char), char2idx[char])) print(' ...\n}') # 设定每个输入句子长度的最大值 seq_length = dic[mt][2] def split_input_target(chunk): input_text = chunk[:-1] target_text = chunk[1:] return input_text, target_text import tensorflow as tf import pickle # 假设 BATCH_SIZE 和 BUFFER_SIZE 已经定义好 if 1: # 设定缓冲区大小，以重新排列数据集 BUFFER_SIZE = 50000 # 词集的长度 vocab_size = len(vocab) # 嵌入的维度 embedding_dim = dic[mt][0]#int(1024*2*1) # RNN 的单元数量 rnn_units = dic[mt][1]#int(1024*4*2) window = dic[mt][2] # 加载保存的数据集 def load_dataset(path): dataset = tf.data.experimental.load(path) return dataset if os.path.exists(r'E:\小思框架\论文\ganskchat\dataset'+ntype_+'_'+str(fwidx)):#换了batch后要重新处理数据集 print('loading dataset') # 加载已经打乱过的数据集 dataset = load_dataset(r'E:\小思框架\论文\ganskchat\dataset'+ntype_+'_'+str(fwidx)) else: if big_file: text=[] with open(path_to_file, 'r',encoding='utf-8') as f: idxlen=0 print('getting length\n') for _ in tqdm.tqdm(f): idxlen+=1 st=idxlen//fen*fwidx ed=idxlen//fen*(fwidx+1) with open(path_to_file, 'r',encoding='utf-8') as f: idx=0 print('\n\nrunning data\n') for _ in tqdm.tqdm(f): if idx=ed: break text.append(_) idx+=1 text=''.join(text) else: text = open(path_to_file, 'r',encoding='utf-8').read() idxlen=len(text) st=idxlen//fen*fwidx ed=idxlen//fen*(fwidx+1) text=text[st:ed] print('data size:',len(text)) #text_as_int = np.array([char2idx[c] for c in text]) text_as_int=[] cks=list(char2idx.keys()) unk_li=set() len_=0 for c in tqdm.tqdm(text): if c in cks: text_as_int.append(char2idx[c]) else: c=cc.convert(c) if c in cks:#转为简体再次尝试 text_as_int.append(char2idx[c]) else: if not is_add: if not c in unk_li: with open('unk'+ntype_+'.txt','w',encoding='utf-8') as f: f.write(str(len_)+'\n'+str(list(unk_li)))#print('unknow:',repr(c)) unk_li.add(c) len_+=1 text_as_int.append(UNK) text_as_int=np.array(text_as_int) #———————————————————————————— # 创建训练样本 / 目标 char_dataset = tf.data.Dataset.from_tensor_slices(text_as_int) if 0: for i in char_dataset.take(5): print(i.numpy()) print(idx2char[i.numpy()]) sequences = char_dataset.batch(seq_length+1, drop_remainder=True) for item in sequences.take(5): print(repr(''.join(idx2char[(item.numpy())]))) dataset = sequences.map(split_input_target) dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True) tf.data.Dataset.save(dataset,'./dataset'+ntype_+'_'+str(fwidx) )
