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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多