Logo

NeMo-Curator学习资料汇总 - GPU加速的大语言模型数据处理工具包

NeMo-Curator简介

NeMo-Curator是NVIDIA开发的一个开源Python库,专门用于大语言模型(LLM)数据集的快速、可扩展准备和处理。它利用GPU加速和分布式计算技术,大大提高了数据处理的效率。

主要特点包括:

  • 利用GPU和分布式计算加速数据处理
  • 提供模块化和可定制的数据处理pipeline
  • 支持多种数据处理任务,如文本提取、质量过滤、去重等
  • 适用于模型预训练、领域自适应预训练、监督微调等多种LLM场景

官方资源

博客文章

NVIDIA开发者博客上有几篇介绍NeMo-Curator的文章:

  1. Curating Trillion-Token Datasets: Introducing NVIDIA NeMo Data Curator
  2. Scale and Curate High-Quality Datasets for LLM Training with NVIDIA NeMo Curator
  3. Curating Custom Datasets for LLM Training with NVIDIA NeMo Curator
  4. Curating Custom Datasets for LLM Parameter-Efficient Fine-Tuning with NVIDIA NeMo Curator

这些文章深入介绍了NeMo-Curator的使用场景和方法。

安装

NeMo-Curator可以通过以下方式安装:

  1. 通过PyPI安装:
pip install cython
pip install nemo-curator
  1. 从源码安装:
git clone https://github.com/NVIDIA/NeMo-Curator.git
cd NeMo-Curator
pip install cython
pip install .
  1. 使用NVIDIA NGC容器(预装NeMo-Curator)

详细的安装说明可以参考GitHub README

快速上手

以下代码片段展示了如何创建一个简单的数据处理pipeline:

# 下载数据集
dataset = download_common_crawl("/datasets/common_crawl/", "2021-04", "2021-10", url_limit=10)

# 构建处理pipeline
curation_pipeline = Sequential([
  # 修复unicode
  Modify(UnicodeReformatter()),
  # 过滤短文本
  ScoreFilter(WordCountFilter(min_words=80)),
  # 过滤低质量文本  
  ScoreFilter(FastTextQualityFilter(model_path="model.bin")),
  # 去除评估数据集中的样本
  TaskDecontamination([Winogrande(), Squad(), TriviaQA()])
])

# 执行pipeline
curated_dataset = curation_pipeline(dataset)

更多使用示例可以参考官方教程

性能表现

NeMo-Curator利用GPU加速可以大幅提升数据处理效率。例如,使用64个NVIDIA A100 GPU,可以在1.8小时内完成1.1万亿token的Red Pajama数据集去重。

性能对比图

上图展示了使用NeMo-Curator处理的数据对模型zero-shot性能的提升。

总结

NeMo-Curator为LLM数据处理提供了高效的解决方案。通过学习和使用这个工具,可以大大提高数据准备的效率,从而加速LLM的开发和训练过程。欢迎大家尝试使用并为项目贡献代码!

最新项目

Project Cover
豆包MarsCode
豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。
Project Cover
AI写歌
Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。
Project Cover
商汤小浣熊
小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。
Project Cover
有言AI
有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。
Project Cover
Kimi
Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。
Project Cover
即梦Dreamina
即梦AI,一站式智能创作平台,提供AI绘画及视频生成服务。平台允许通过文字或图片输入,快速创造高质量视频和图像,支持多种艺术风格和详细控制,以促进创意实现和社区间的灵感交流。立即体验智能创作,解锁艺术与创意的无限潜能。
Project Cover
吐司
探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。
Project Cover
SubCat字幕猫
SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。
Project Cover
AIWritePaper论文写作
AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号