NeMo-Curator

NeMo-Curator

提供GPU加速的大型语言模型数据集优化与管理解决方案

NeMo Curator 是一款专为大型语言模型(LLM)设计的开源Python库,通过结合Dask和RAPIDS等技术,实现GPU加速的数据集准备与管理。其功能包括数据下载、语言识别、文本清理、质量过滤、文档去重和个人信息保护等模块,为多种LLM任务提供快速、灵活和可扩展的解决方案,显著提升数据处理效率与模型质量。

NeMo CuratorGPU加速大语言模型数据集准备Python库Github开源项目

项目介绍:NeMo-Curator

NeMo-Curator 是一个由 NVIDIA 开发的开源 Python 库,旨在为各种生成式 AI 用例提供快速且可扩展的数据集准备和策划功能,如基础语言模型的预训练、文本到图像模型的训练、领域自适应预训练(DAPT)、监督微调(SFT)以及参数高效微调(PEFT)。该库通过集成 GPU 加速技术(如 Dask 和 RAPIDS)来显著加速数据策划的进程,从而节省大量时间。其模块化和可定制的接口,简化了流水线的扩展,并通过准备高质量的 tokens 加速模型收敛。

主要功能

NeMo-Curator 提供了一系列可扩展的数据策划模块,用于文本和图像的策划工作。

文本策划

NeMo-Curator 的文本流水线具有强大的多语言支持,主要功能包括:

  • 下载和提取:提供 Common Crawl、Wikipedia 和 ArXiv 数据源的默认实现,可以轻松定制并扩展到其他数据源。
  • 语言识别:识别并处理不同语言文本。
  • Unicode 格式化:确保文本格式的一致性和正确性。
  • 启发式过滤:通过启发式方法筛选低质量文本。
  • 分类过滤:使用 fastText 和 GPU 加速模型进行领域、质量和安全性分类。
  • GPU 加速去重:支持精确去重、模糊去重(通过 MinHash )、语义去重等多种去重方法。
  • 下游任务去污:防止测试集泄露,移除训练数据中可能影响评估的内容。
  • 个人身份信息(PII)编辑:识别并编辑个人敏感信息。

图像策划

在图像策划模块中,NeMo-Curator 提供:

  • 嵌入生成:为图像生成特征嵌入。
  • 分类过滤:包括美学和 NSFW 分类。
  • GPU 去重:进行语义上的去重。

这些模块具有灵活性,允许重新排序,能够自动扩展到多个节点以增加吞吐量。

资源和教程

为了帮助用户更好地使用 NeMo Curator,NVIDIA 提供了丰富的资源和教程,包括文档、示例代码、博客文章等,用户可以通过这些资源快速上手。

  • 文档:全面详实的用户指南,帮助用户理解和使用各种功能模块。
  • 示例:各种应用场景的代码示例,供用户参考和学习。
  • 教程:以不同主题为基础的详细教程,引导用户从零开始使用 NeMo Curator 进行数据策划工作。

如何开始使用 NeMo Curator

安装说明

在安装 NeMo Curator 之前,用户需确保满足以下要求:

  • Python 3.10
  • Ubuntu 22.04/20.04
  • (可选) NVIDIA GPU(Volta 或更高版本,支持 CUDA 12 及以上)

用户可以通过多种方式安装 NeMo Curator:

  1. 通过 PyPI 安装
  2. 从源代码安装
  3. 使用 NeMo 框架容器

此外,NeMo Curator 提供了一些附加安装选项,可以根据用户的工作负载需求安装相应的模块。

入门示例

为了帮助用户快速入门,NeMo-Curator 提供了许多快速的 Python API 使用示例,以及详细的教程,涵盖了包括分布式数据分类、图像策划等方面的内容。

贡献社区

NeMo Curator 欢迎社区参与贡献,感兴趣的开发者可以通过参考贡献指南来了解如何为项目做出贡献。

通过 NeMo-Curator,研究人员和开发者能够更加高效地进行数据集的策划与管理,从而加速 AI 模型的开发与应用。其强大的功能和灵活的接口,使得数据处理更为方便与快捷,成为许多生成 AI 应用场景中的重要一环。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多