数据集:
philschmid/sharegpt-raw
许可:
otherpip3 install -r requirements.txt
python merge.py sharegpt_90k_raw_dataset/sg_90k_part1.json sharegpt_90k_raw_dataset/sg_90k_part2.json sharegpt_20230401_html_unformatted.json python pretty_json.py --in sharegpt_20230401_html_unformatted.json --out sharegpt_20230401_html.json
if jq empty sharegpt_20230401_html.json 2>/dev/null; then echo "JSON is valid" else echo "JSON is invalid" fi jq length sharegpt_90k_raw_dataset/sg_90k_part1.json jq length sharegpt_90k_raw_dataset/sg_90k_part2.json jq length sharegpt_20230401_html.json
python3 clean_sharegpt.py --in sharegpt_20230401_html.json --out sharegpt_20230401_clean.json .... 100%|███████████████████████████████████████████████████████████████████| 90665/90665 [06:32<00:00, 230.98it/s] total: 90665, skip: 13745, new: 76920
python3 optional_clean.py --in sharegpt_20230401_clean.json --out sharegpt_20230401_clean_lang_zh.json --lang zh .... return 6240 out of 76920, start dump ... python3 optional_clean.py --in sharegpt_20230401_clean.json --out sharegpt_20230401_clean_lang_en.json --lang en ... return 55413 out of 76920, start dump ...
注意:代码本身不支持语言列表,我没有更改代码以适应不同的语言。您可以更改代码以支持更多的语言。但我只筛选了我需要的两种语言,并将sharegpt_20230401_clean_lang_zh.json和sharegpt_20230401_clean_lang_en.json合并成了sharegpt_20230401_clean_lang.json。
python3 split_long_conversation.py --in sharegpt_20230401_clean_lang.json --out sharegpt_20230401_clean_lang_split.json --model-name /home/ubuntu/llama-13b-hf/ ... total: 61653, new: 126032
好的,现在我们有了清理后的数据集sharegpt_20230401_clean_lang_split.json,应该用于微调。