40-大模型（LLMs）训练集面.pdf
5墨值下载
大模型（LLMs）训练集面
来自： AiGC面试宝典
宁静致远 2023年12月24日 00:33
1. SFT（有监督微调）的数据集格式？
一问一答
2. RM（奖励模型）的数据格式？
一个问题 + 一条好回答样例 + 一条差回答样例
3. PPO（强化学习）的数据格式？
理论上来说，不需要新增数据。需要提供一些prompt，可以直接用sft阶段的问。另外，需要限制
模型不要偏离原模型太远（ptx loss），也可以直接用sft的数据。
4. 找数据集哪里找？
推荐Alpaca-COT，数据集整理的非常全，眼花缭乱。
5. 微调需要多少条数据？
取决于预训练数据和微调任务的数据分布是否一致，分布一致，100条就够，分布差异大就需要多
些数据，千条或者万条以上为佳。
自己的任务复杂或者下游任务行业比较冷门，如药品名称识别任务，则需要较多监督数据。还有微
调大模型时，一遍是记不住的。100条的微调数据，epochs=20才能稳定拟合任务要求。
6. 有哪些大模型的训练集？
预训练数据集togethercomputer/RedPajama-Data-1T「红睡衣」开源计划总共包括三部分：
预训练数据集RedPajama-Data-1T已开源，包括七个子集，经过预处理后得到的token数量大致可
以匹配Meta在原始LLaMA论文中报告的数量，并且数据预处理相关脚本也已开源。
完整的RedPajama-Data-1T数据集需要的存储容量为压缩后3TB，解压后5TB。
CoT微调数据集：Alpaca-CoT 里面包括常用的alpaca，CoT等数据集，有中文的。
7. 进行领域大模型预训练应用哪些数据集比较好？
通过分析发现现有的开源大模型进行预训练的过程中会加入数据、论文等数据。主要是因为这些数
据的数据质量较高，领域相关性比较强，知识覆盖率（密度）较大，可以让模型更适应考试。给我
• 高质量、大规模、高覆盖度的预训练数据集；
• 在预训练数据集上训练出的基础模型；
• 指令调优数据集和模型，比基本模型更安全、可靠。
扫码加
查看更多
们自己进行大模型预训练的时候提供了一个参考。同时领域相关的网站内容、新闻内容也是比较重
要的数据。
8. 如何选取和构建大模型微调数据？
一般情况下我们数据的分布都是符合一个长尾分布的。主要的几个类别数据占据了90%的数据量，
剩下的90%的类别只有10%的数据量。
举个栗子：小红书上，query的意图识别里，美食，穿搭，旅游攻略类非常多，但是还有一些同学
去搜大模型微调的数据技巧。
如果说我们直接采样一批线上的图文文本，直接送给标注的话，会存在一个严重的问题：他们标注
的数据大部分都是攻略类，技术类比较少，标了3个月才攒了几千条大模型技术文本，但是攻略类
已经成几万了。
这样搞肯定是不行的，人力成本方面的消耗是在是太大了，并且模型因为数据平衡的问题也没有特
别好
主动学习有两个基本原则，在监督训练的时候，注意主动发现数据的两个方面，一个是数据多样
性，另外一个是数据的不确定性。这样讲是比较抽象的概念，那我们在大模型实践中如何体现呢？
第一，数据的多样性。
多样性即为数据的去重，去重这件事的核心是相似度度量，现在的相似度度量方法大家用的比较多
的是基于对比学习构造的语义向量这套思路，当然简单的基于词袋或者tfidf的方案也是可以的。有
了核心的相似度度量方法后，我们可以使用简单的onepass聚类方法进行过滤，考虑复杂一点的
话，我们可以使用带优化目标的聚类：比如K-Center-Greedy算法，其约束条件是在最大化多样性
的情况下，使指令数据集最小。
另外，如果我们已经有了一批已经去重的人工处理过的高质量数据，那么我们如何寻找与这批数据
不一样的数据呢？
这里有一个非常简单实用的方案，并且这个方案可以用在很多其他的地方。
我们简单地把已有的数据全部当成正样本打上1，然后待筛选的数据全部当成负样本打上0，我们使
用deberta等构建二分类模型，并进行K-fold的交叉验证，在交叉验证过程中，选出每一个fold过程
中的测试集合里概率接近于0的样本。
通过这样的操作，就能把长得与已有数据不一样的数据给选出来了，并且这个过程是半监督的。
这套方案也可以用在很多其他地方，比如数据质量选择，只要我们有一批已经确定标签/结果/标注
的种子数据，就能通过这样的方法选出与种子数据长得比较像的，长得不像的。
第二，数据的不确定性。
数据的不确定性主要体现数据的质量筛选上，选取模型学的不那好的数据，模型没有把握的数据。
最简单的，我们可以选出模型对应PPL值比较差的那批数据。如果是指令数据的话，比如大模型做
题和对应的答案。我们可以把所有选项对应的概率之和计算出来，然后过滤出概率和比较低的那一
批数据，这批数据就是模型“不太肯定”的样本，我们需要加强针对性的训练。
当然这样可能有一个副作用，就是这批数据是质量比较差而不是模型学的不太好的。
• 动机：在 微调大模型时，首先需要解决的问题是“选取和构建大模型微调数据”，那如何选择
呢？
• 问题一：什么样的 数据 才是 最优的 大模型微调数据？
1. 数据的多样性：
1. 数据的标注质量；
2. 数据的不确定性；
• 问题二：如何构建 大模型微调数据？
3. 方法一：“self-instruct”的框架，通过自我生成来提升指令跟随能力。文章的流程是从语言模型
中生成指令、输入和输出样本，然后在使用这些数据微调原始模型之前进行清洗。
4. 方法二：“主动学习”
of 3
5墨值下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论