186 lines
7.1 KiB
Markdown
186 lines
7.1 KiB
Markdown
# Pipeline 设计文档
|
||
|
||
## 概述
|
||
|
||
本项目是一个语言模型训练数据集处理工具包，将 HuggingFace 数据集转换为模型可直接消费的 HDF5 格式。整体分为两个阶段，通过磁盘 JSONL 文件解耦。
|
||
|
||
## 数据流架构
|
||
|
||
```
|
||
Stage 1: Export Stage 2: Tokenize & Cache
|
||
┌──────────────────────────┐ ┌──────────────────────────────────┐
|
||
│ │ │ │
|
||
│ HuggingFace Dataset │ │ JSONL files (one dict/line) │
|
||
│ │ │ │ │ │
|
||
│ ▼ process_func │ │ ▼ json.loads() │
|
||
│ export_dataset() │ │ Processor.process(input_dict) │
|
||
│ │ chunk_size │ │ │ │
|
||
│ ▼ │ │ ▼ SequencePacker (opt.) │
|
||
│ prefix_chunk_0.jsonl ────────▶ IOHandler.save_h5() │
|
||
│ prefix_chunk_1.jsonl │ │ │ │
|
||
│ ... │ │ ▼ │
|
||
│ │ │ chunk_0.h5 │
|
||
│ module: export.py │ │ chunk_1.h5 │
|
||
│ │ │ │
|
||
│ │ │ modules: cache.py, │
|
||
│ │ │ processors.py, packing.py, │
|
||
│ │ │ io.py, tokenizer.py │
|
||
└──────────────────────────┘ └──────────────────────────────────┘
|
||
```
|
||
|
||
### 阶段 1: export_dataset()
|
||
|
||
**职责**: 将 HuggingFace Dataset 导出为 JSONL 文件。
|
||
|
||
**流程**:
|
||
1. 按 `chunk_size`（默认 100 万条）将数据集分片
|
||
2. 每条样本通过可选的 `process_func` 转换（字段映射、文本清洗等）
|
||
3. `process_func` 返回单个 dict 或 list[dict]（支持一对多展开）
|
||
4. 每片写为一个 JSONL 文件
|
||
|
||
**模块**: `pipeline/export.py`
|
||
|
||
### 阶段 2: cache_jsonl()
|
||
|
||
**职责**: 将 JSONL 文件分词、打包、保存为 HDF5 格式。
|
||
|
||
**流程**:
|
||
1. 逐行读取 JSONL，解析为 dict
|
||
2. 通过 `Processor.process(input_dict)` 转换为 tensor dict
|
||
3. 可选通过 `SequencePacker` 打包为固定长度
|
||
4. 通过 `IOHandler.save_h5()` 写入 HDF5
|
||
|
||
**模块**: `pipeline/io.py`（编排）+ `pipeline/processors.py`（转换）+ `pipeline/packing.py`（打包）+ `pipeline/tokenizer.py`（分词）
|
||
|
||
## 处理器设计
|
||
|
||
### ProcessorFactory
|
||
|
||
通过工厂模式创建不同类型的处理器：
|
||
|
||
| 方法 | 说明 |
|
||
|------|------|
|
||
| `create(type, tokenizer)` | 创建处理器，SFT/DPO 使用默认 ChatML 策略 |
|
||
| `create_with_strategy(type, tokenizer, strategy)` | 创建带自定义策略的处理器 |
|
||
| `create_with_strategy_name(type, tokenizer, name, **kwargs)` | 通过名称创建策略，`**kwargs` 透传用于自定义 token |
|
||
| `register(type, processor_class)` | 注册自定义处理器 |
|
||
|
||
### 处理器类型
|
||
|
||
**PreTrainProcessor** (`"pt"`)
|
||
```
|
||
Input: {"text": "Hello world"}
|
||
Action: tokenizer.encode(text + "<eos>")
|
||
Output: {"sequence": Tensor[int32]}
|
||
```
|
||
|
||
**SFTProcessor** (`"sft"`) — 注入 PromptStrategy
|
||
```
|
||
Input: {"query": "...", "response": "..."}
|
||
Action:
|
||
1. strategy.build_prompt(input_dict) -> query prompt with special tokens
|
||
2. concat: prompt + response + response_suffix
|
||
3. tokenizer.encode -> token ids
|
||
4. build loss_mask: query=False, response=True
|
||
Output: {"sequence": Tensor[int32], "loss_mask": Tensor[bool]}
|
||
```
|
||
|
||
**DPOProcessor** (`"dpo"`) — 注入 PromptStrategy
|
||
```
|
||
Input: {"query": "...", "chosen": "...", "rejected": "..."}
|
||
Action:
|
||
1. strategy.build_prompt(input_dict) -> shared query prompt
|
||
2. encode chosen = query + response_start + chosen + suffix
|
||
3. encode rejected = query + response_start + rejected + suffix
|
||
4. build masks: query=False, response=True
|
||
Output: {"chosen": Tensor, "chosen_mask": Tensor[bool],
|
||
"rejected": Tensor, "rejected_mask": Tensor[bool]}
|
||
```
|
||
|
||
## 策略模式
|
||
|
||
### PromptStrategy
|
||
|
||
抽象 prompt/response 格式，所有特殊 token 可通过构造函数自定义配置。
|
||
|
||
**接口**:
|
||
- `build_prompt(input_dict)` — 构建包含 query 的完整 prompt
|
||
- `build_response_prefix()` — response 前缀（当前均返回空串）
|
||
- `build_response_suffix()` — response 后缀（含 `<eos>`）
|
||
- `response_start_token` — response 起始 token（用于 DPO 的 loss mask 定位）
|
||
- `eos_tokens` — 结束 token
|
||
|
||
**内置实现**:
|
||
|
||
ChatML:
|
||
|
||
| Parameter | Default Token |
|
||
|-----------------|--------------------------------------------|
|
||
| user_start | `<\|im_start\|>user\n` |
|
||
| user_end | `<\|im_end\|>\n` |
|
||
| assistant_start | `<\|im_start\|>assistant\n` |
|
||
| assistant_end | `<\|im_end\|>\n<eos>` |
|
||
|
||
Alpaca:
|
||
|
||
| Parameter | Default Token |
|
||
|------------------|------------------------|
|
||
| instruction_start | `### Instruction:\n` |
|
||
| response_start | `### Response:\n` |
|
||
| response_suffix | `\n<eos>` |
|
||
|
||
**自定义示例**:
|
||
```python
|
||
strategy = StrategyFactory.create("chatml",
|
||
user_start="<s>user\n",
|
||
user_end="</s>\n",
|
||
assistant_start="<s>assistant\n",
|
||
assistant_end="</s>\n<eos>",
|
||
)
|
||
```
|
||
|
||
**注册新格式**:
|
||
```python
|
||
from pipeline import StrategyFactory
|
||
from pipeline.strategies import PromptStrategy
|
||
|
||
class MyStrategy(PromptStrategy):
|
||
@property
|
||
def name(self) -> str:
|
||
return "my_format"
|
||
# ... 实现抽象方法
|
||
|
||
StrategyFactory.register("my_format", MyStrategy)
|
||
```
|
||
|
||
## 序列打包
|
||
|
||
`SequencePacker` 将变长序列打包为固定长度的 tensor，使用 First-Fit Decreasing 算法：
|
||
|
||
1. 按序列长度降序排列
|
||
2. 逐个放入当前包，超长则截断并警告
|
||
3. 当前包放不下时保存并开新包
|
||
4. 不足部分用 `pad_value` 填充
|
||
|
||
打包在 `cache_jsonl()` 中按 `pack_size` 启用（`> 0` 时生效，`<= 0` 跳过打包）。
|
||
|
||
## 辅助模块
|
||
|
||
### TextNormalizer (`pipeline/text.py`)
|
||
|
||
文本标准化：统一标点符号（弯引号→直引号、破折号、省略号等），通过 `DEFAULT_REPLACEMENTS` 配置，支持 `custom_rules` 扩展。
|
||
|
||
### IOHandler (`pipeline/io.py`)
|
||
|
||
- `save_h5(output_dir, file_name, tensor_group)` — 按 key 分组存储 tensor 到 HDF5
|
||
- `load_h5(file_path, share_memory)` — 加载 HDF5，支持共享内存（用于 DataLoader 多进程）
|
||
- `fetch_files(directory)` / `fetch_folders(root_dir)` — 文件/目录遍历
|
||
|
||
### BpeTokenizer (`pipeline/tokenizer.py`)
|
||
|
||
基于 HuggingFace `tokenizers` 库的 BPE 分词器，支持从文件加载、训练、保存。内置 `<bos>`/`<eos>`/`<pad>` 控制符和 `<|im_start|>`/`<|im_end|>` 特殊 token。
|
||
|
||
## API 参考
|
||
|
||
各模块的详细 API 文档请参阅对应的源文件。
|