Clustering and Ranking(CaR)代码框架解读

论文和仓库

论文地址
官方代码

核心贡献

主要贡献:在alpaca数据集上实验得到一个抽样子集进行训练,在这样节省训练资源和时间的情况下,得到更好的实验结果
优点:采用小模型(IQS)评分,小模型训练非常快,且有针对性;
缺点:IQS训练需要标注数据,如果利用更大的模型评分,比如gpt4,则不需要标注;但有个问题是,如果你本身的sft数据就是足够优秀的LLM生成的(比如 gpt4),那么再使用该模型来进行评分,可能不那么准确
局限性: 该方案中的cluster 和 rank分别引入了两个小模型embedding 和 IQS,小模型的上限就是该方案的上限

主要步骤

  1. 根据一个评分模型对sft数据集进行评分(score),并根据评分结果进行排序(rank)
  2. 对sft数据进行聚类成N个簇,对簇中选取num个条数据

代码框架解读

一、评分并排序

  1. 使用COMET项目在标注的数据集上微调([原始标注数据来源]),得到一个IQS模型,下载地址

  2. 使用IQS模型进行推理,得到评分score

  3. 训练IQS的原数据集下载地址:Expert Revision Dataset;标注数据集格式如下,其中distance是计算的修改前后数据(Instruction+Input+Response)的编辑距离,用于根据阈值删掉一些距离过小的,大致阈值是200, 最终保留1211条数据

    ```json
    {
            "Raw Instruction": "Select two of the given topics and write a paragraph discussing the similarities between them.",
            "Raw Input": "The Internet of Things, Artificial Intelligence, and Blockchain Technology",
            "Raw Response": "The Internet of Things (IoT) and Artificial Intelligence (AI) both involve the use of machines to collect and process data. Both technologies rely heavily on automation and machine learning in order to operate efficiently and accurately. Similarly, both technologies have the potential to improve existing processes, automate tedious tasks, and create new opportunities. Furthermore, both technologies require a large amount of data to be collected and analyzed to become truly intelligent and efficient.\\n\\nSimilarly, blockchain technology and AI both involve the use of computers to store and process data. This data can be used to create new applications and services, or to improve existing ones. Additionally, both technologies are designed to be secure, decentralized, and resilient, making them suitable for applications across a variety of fields.",
            "Revised Instruction": "Select two of the given topics and write a paragraph discussing the similarities between them.",
            "Revised Input": "The Internet of Things, Artificial Intelligence, and Blockchain Technology",
            "Revised Response": "Here is a paragraph discussing the similarities between Artificial Intelligence and Blockchain Technology:\\n\\nArtificial Intelligence (AI) and Blockchain Technology are two emerging fields that have the potential to transform various industries and sectors. Both of them rely on data and algorithms to perform complex tasks and solve problems. AI uses data to train machines to learn from experience and perform human-like functions, such as speech recognition, image analysis, and natural language processing. Blockchain Technology uses data to create a distributed ledger that records transactions and ensures their security, transparency, and immutability. Both of them can enhance efficiency, accuracy, and innovation in various domains, such as healthcare, finance, education, and governance.",
            "Distance": 640
        }
    
    ```
    
  4. 用于comet微调的数据集格式如下,数据路径Ranking/data/expert-revised-comet:

    {
        "src": "Instruction: Given natural language sentences, identify the relations between entities. Input: Sharad and Sayansh are brothers. ", 
        "pos": "Response: The relation between Sharad and Sayansh is brothers.", 
        "neg": "Response: Sharad and Sayansh: Relation - Brothers"
        }
    
    
  5. 用于ISQ微调的数据集格式如下(0,1标注,修改前是0, 修改后是1),数据路径Ranking/data/expert-revised:

    {"src": "Instruction: List four countries in Africa Response: Egypt, South Africa, Nigeria, Morocco.", 
    "score": 0.0}
    {"src": "Instruction: List four countries in Africa Response: Here are four countries in Africa: Egypt, South Africa, Nigeria, Morocco.", 
    "score": 1.0}
    
    
  6. 训练ISQ模型,终端执行脚本,进入到Ranking目录下:

    python -m comet.cli.train --cfg configs/models/instruction_score.yaml --early_stopping configs/early_stopping.yaml --model_checkpoint configs/model_checkpoint.yaml --trainer configs/trainer.yaml --instruction_metric configs/models/instruction_score.yaml
    
    

    注意:有时可能会报一些这样的error “No action for key "amp_backend" to check its value”,这是因为pytorch_lightning不同版本中Trainer的参数发生变化导致

二、聚类

  1. 使用一个embedding模型对数据进行向量化
  2. 使用PCA对句子向量进行降维
  3. 对降维后的数据进行聚类,这里alpaca聚类了161类( sqrt(52k/2))

三、数据选择

  1. 先根据rank之后的score选择前1000条数据
  2. 根据聚类之后的结果,每个簇选score最高的n条数据
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,287评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,346评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,277评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,132评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,147评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,106评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,019评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,862评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,301评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,521评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,682评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,405评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,996评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,651评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,803评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,674评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,563评论 2 352