AI說書 - 從0開始 - 175 | Data Collator 建立

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

整理目前手上有的素材：

• 準備資料集：AI說書 - 從0開始 - 162 | 準備Pretrain模型需要的資料
• 準備必備函數庫：AI說書 - 從0開始 - 163 | 準備Pretrain模型需要的函數庫
• Tokenizer 前言：AI說書 - 從0開始 - 164 | Tokenizer 前言
• 訓練自己的 Tokenizer：AI說書 - 從0開始 - 165 | 訓練自己的Tokenizer
• 保存訓練好的 Tokenizer：AI說書 - 從0開始 - 166 | 保存訓練好的 Tokenizer
• Tokenizer 使用方式：AI說書 - 從0開始 - 167 | Tokenizer 使用方式
• GPU 及 CUDA 確認：AI說書 - 從0開始 - 168 | GPU 資源確認
• 編輯模型的 Config 檔：AI說書 - 從0開始 - 169 | 編輯模型的 Config 檔
• 初始化模型：AI說書 - 從0開始 - 170 | 初始化模型
• 模型參數探索：AI說書 - 從0開始 - 171 | 模型參數探索
• 模型參數探索：AI說書 - 從0開始 - 172 | 模型參數探索
• 模型參數探索：AI說書 - 從0開始 - 173 | 模型參數探索
• 模型參數探索：AI說書 - 從0開始 - 174 | 模型參數探索

繼 AI說書 - 從0開始 - 162 | 準備Pretrain模型需要的資料 中準備好的資料，現在要來進一步整理一下，目標是整理成 Block Size 為 128，亦即限制最大的 Token 數：

from transformers import LineByLineTextDataset

dataset = LineByLineTextDataset(tokenizer = tokenizer, 
                                file_path = "./kant.txt", 
                                block_size = 128)

接著建立 Data Collator，目標是從 Dataset 中取樣，變成 Batch：

from transformers import DataCollatorForLanguageModeling

data_collator = DataCollatorForLanguageModeling(tokenizer = tokenizer, 
                                                mlm = True, 
                                                mlm_probability = 0.15)

當中的 mlm = True 請見 AI說書 - 從0開始 - 130