feat : 添加 JSONL 预处理管线
- Pipeline 模板, Reader 加 transform 加 Writer 可组合 - 自动检测 JSONL 格式, 支持 messages 文本 prompt 加 response 三种 - chat 数据通过 apply_chat_template 适配, 自动生成 loss_mask - 输出对齐 Store 和 DatasetFactory, 直接用于训练 - 默认 bin 格式, CLI 入口 scripts/tools/preprocess.py
This commit is contained in:
@@ -0,0 +1,110 @@
|
||||
"""CLI: raw JSONL → tokenized .h5/.bin via Pipeline."""
|
||||
|
||||
import argparse
|
||||
import sys
|
||||
|
||||
from astrai.preprocess import Pipeline, detect_format
|
||||
|
||||
|
||||
def main():
|
||||
parser = argparse.ArgumentParser(
|
||||
description="Raw JSONL → tokenized .h5/.bin for training"
|
||||
)
|
||||
parser.add_argument(
|
||||
"inputs", nargs="+", metavar="JSONL", help="One or more JSONL files"
|
||||
)
|
||||
parser.add_argument(
|
||||
"--output_dir",
|
||||
"-o",
|
||||
required=True,
|
||||
help="Output directory (domain subdirs auto-created)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--tokenizer_path",
|
||||
default="params",
|
||||
help="Path to tokenizer (default: params)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--text_key",
|
||||
default=None,
|
||||
help="JSON key for text (auto-detect if omitted)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--domain_key",
|
||||
default=None,
|
||||
help="JSON key for domain label (auto-detect if omitted)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--max_len",
|
||||
type=int,
|
||||
default=2048,
|
||||
help="Max token length per doc (default: 2048)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--min_text_len",
|
||||
type=int,
|
||||
default=50,
|
||||
help="Min chars per doc (default: 50)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--max_text_len",
|
||||
type=int,
|
||||
default=2_000_000,
|
||||
help="Max chars per doc (default: 2000000)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--no_dedup",
|
||||
action="store_true",
|
||||
help="Skip exact dedup",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--max_items",
|
||||
type=int,
|
||||
default=None,
|
||||
help="Max docs to process (default: all)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--max_tokens_per_shard",
|
||||
type=int,
|
||||
default=100_000_000,
|
||||
help="Max tokens per .h5 shard (default: 100M)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--format",
|
||||
dest="storage_format",
|
||||
choices=["h5", "bin"],
|
||||
default="bin",
|
||||
help="Output format (default: bin)",
|
||||
)
|
||||
parser.add_argument(
|
||||
"--detect",
|
||||
action="store_true",
|
||||
help="Detect and print JSONL schema, then exit",
|
||||
)
|
||||
args = parser.parse_args()
|
||||
|
||||
if args.detect:
|
||||
fmt = detect_format(args.inputs)
|
||||
print(f"text key : {fmt['text_key']}")
|
||||
print(f"domain key : {fmt['domain_key']}")
|
||||
print(f"chat mode : {fmt['is_chat']}")
|
||||
sys.exit(0)
|
||||
|
||||
Pipeline(
|
||||
input_paths=args.inputs,
|
||||
output_dir=args.output_dir,
|
||||
tokenizer_path=args.tokenizer_path,
|
||||
text_key=args.text_key,
|
||||
domain_key=args.domain_key,
|
||||
max_len=args.max_len,
|
||||
min_text_len=args.min_text_len,
|
||||
max_text_len=args.max_text_len,
|
||||
dedup=not args.no_dedup,
|
||||
max_items=args.max_items,
|
||||
max_tokens_per_shard=args.max_tokens_per_shard,
|
||||
storage_format=args.storage_format,
|
||||
).run()
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user