知识卡片
训练样本应保留必要遮罩信息
示例Dataset仅返回补齐后的input_ids,虽然创建attn_masks却未填充并返回。损失忽略PAD与注意力忽略PAD并非同一件事;输入、attention_mask和标签的实际批结构需要检查,不能只看类名便认定齐全。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
>>> class NLPiADataset(Dataset): >>> def __init__(self, txt_list, tokenizer, max_length=768): >>> self.tokenizer = tokenizer >>> self.input_ids = [] >>> self.attn_masks = [] >>> for txt in txt_list: >>> encodings_dict = tokenizer(txt, truncation=True, ... max_length=max_length, padding="max_length") >>> self.input_ids.append( ... torch.tensor(encodings_dict['input_ids'])) >>> def __len__(self): >>> return len(self.input_ids) >>> def __getitem__(self, idx): >>> return self.input_ids[idx] Now, you want to set aside some samples for evaluating your loss mid-training. Usually,
参考来源
- 位置:《Natural Language Processing in Action, Second Edition》第10章《真实世界中的大语言模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Natural Language Processing in Action, Second Edition/_epub-src/OEBPS/Text/chapter-10.html)
- 结论依据:摘录中关于训练样本应保留必要遮罩信息的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:>>> class NLPiADataset(Dataset): >>> def __init__(self, txt_list, tokenizer, max_length=768): >>> self.tokenizer = tokenizer >>> self.input_ids = [] >>> self.attn_masks = [] >>> for txt in txt_list: >>> encodings_dict = tokenizer(txt, truncation=True, ... max_length=max_length, padding="max_length") >>> self.input_ids.append( ... torch.tensor(encodings_dict['input_ids'])) >>> def __len__(self): >>> return len(self.input_ids) >>> def __getitem__(self, idx): >>> return self.input_ids[idx] Now, you want to set aside some samples for evaluating your loss mid-training. Usually,