BigCode 背后的大规模数据去重

头像
HuggingFace
     河南
    阅读 12 分钟
    头图

    目标受众

    本文面向对大规模文档去重感兴趣，且对散列 (hashing) 、图 (graph) 及文本处理有一定了解的读者。

    动机

    老话说得好: 垃圾进，垃圾出 (garbage in, garbage out)，把数据处理干净再输入给模型至关重要，至少对大语言模型如此。虽然现在一些明星大模型 (严格来讲，它们很多是 API) 的存在让大家恍惚产生了数据质量好像不那么重要了的错觉，但事实绝非如此。

    在 BigScience 和 BigCode 项目中，在数据质量方面，我们面临的一个很大的问题是数据重复，这不仅包括训练集内的数据重复，还包括训练集中包含测试基准中的数据从而造成了基准污染 (benchmark contamination)。已经有研究表明，当训练集中存在较多重复数据时，模型倾向于逐字输出训练数据 [[1]](#1) (这一现象在其他一些领域并不常见 [[2]](#2))，而且训得的模型也更容易遭受隐私攻击 [[1]](#1)。除了能避免上面两个问题外，去重还有不少好处:

    1. 让训练更高效: 你可以用更少的训练步骤获得相同的，甚至是更好的性能 [[3]](#3) [[4]](#4)。
    2. 防止可能的数据泄漏和基准污染: 数据重复会损害你的模型性能报告的公信力，并可能让所谓的改进沦为泡影。
    3. 提高数据可得性。我们大多数人都负担不起重复下载或传输数千 GB 文本的成本，更不用说由此带来的额外训练成本了。对数据集进行去重，能使其更易于学习、传输及协作。

    从 BigScience 到 BigCode

    我想先分享一个故事，故事主要讲述我如何接受数据去重这一任务，过程如何，以及在此过程中我学到了什么。

    一切开始于 LinkedIn 上的一次对话，当时 BigScience 已经开始几个月了。Huu Nguyen 注意到我在 GitHub 上的一个小项目并找到了我，问我是否有兴趣为 BigScience 做数据去重工作。我当然愿意了，尽管当时我完全没意识到由于数据量巨大，这项工作比想象中麻烦很多。

    这项工作既有趣又充满挑战。挑战在于，我对处理如此大规模的数据并没有太多经验。但项目组的每个人仍然欢迎我、信任我，还给了我数千美元的云计算预算。有多少回，我不得不从睡梦中醒来，反复确认我是否关闭了那些云实例。我不停地在试验和错误中学习，在此过程中，新的视角被打开了。如果没有 BigScience，可能我永远不会有这种视角。

    一年后的今天，我正在把从 BigScience 学到的东西应用到 BigCode 项目中去，去处理更大的数据集。除了英语 [[3]](#3) LLM 之外，我们已经再次证明数据去重也能改进代码模型 [[4]](#4) 的性能。有了数据去重，我们可以用更小的数据集达到更优的性能。现在，亲爱的读者，我想与你分享我学到的知识，希望你能透过数据去重的镜头一瞥 BigCode 项目的幕后故事。

    下表列出了 BigScience 项目中各数据集使用的去重方法，以供参考:

    数据集输入数据量输出数据尺寸或数据精简比去重粒度方法参数语种耗时
    OpenWebText2[[5]](#5)对 URL 去重后: 193.89 GB（69M）使用 MinHash LSH 后: 65.86 GB（17M）URL + 文档URL（精确匹配）+ 文档（MinHash LSH）$(10, 0.5, ?, ?, ?)$英语
    Pile-CC[[5]](#5)~306 GB227.12 GiB（~55M）文档文档（MinHash LSH）$(10, 0.5, ?, ?, ?) $英语数天
    BNE5[[6]](#6)2 TB570 GB文档Onion5-元组西班牙语
    MassiveText[[7]](#7) 0.001 TB ~ 2.1 TB文档文档（精确匹配 + MinHash LSH）$(?, 0.8, 13, ?, ?)$英语
    CC100-XL[[8]](#8) 0.01 GiB ~ 3324.45 GiBURL + 段落URL（精确匹配） + 段落（精确匹配）SHA-1多语种
    C4[[3]](#3)806.92 GB (364M)3.04% ~ 7.18% ↓ （训练集）子字符串或文档子字符串（后缀数组）或文档（MinHash）后缀数组：50-词元，MinHash: $(9000, 0.8, 5, 20, 450)$英语
    Real News[[3]](#3)~120 GiB13.63% ~ 19.4% ↓（训练集）同 C4同 C4同 C4英语
    LM1B[[3]](#3)~4.40 GiB（30M）0.76% ~ 4.86% ↓（训练集）同 C4同 C4同 C4英语
    WIKI40B[[3]](#3)~2.9M0.39% ~ 2.76% ↓（训练集）同 C4同 C4同 C4英语
    BigScience ROOTS 语料集[[9]](#9) 0.07% ~ 2.7% ↓ (文档) + 10.61% ~ 32.30% ↓ (子字符串)文档 + 子字符串文档 (SimHash) + 子字符串 (后缀数组)SimHash：6-元组，汉明距离（hamming distance）为 4，后缀数组：50-词元多语种12 小时 ~ 数天

    下表是我们在创建 BigCode 的训练数据集 (训练数据皆为代码) 时所用的方法。这里，如果当遇到没有名字的数据集时，我们就用模型名称来代替。

    模型去重方法参数去重级别
    InCoder[[10]](#10)精确匹配代码词元/MD5 + 布隆滤波（Bloom filtering）文档
    CodeGen[[11]](#11)精确匹配SHA256文档
    AlphaCode[[12]](#12)精确匹配忽略空格文档
    PolyCode[[13]](#13)精确匹配SHA256文档
    PaLM Coder[[14]](#14)Levenshtein 距离 文档
    CodeParrot[[15]](#15)MinHash + LSH$(256, 0.8, 1)$文档
    The Stack[[16]](#16)MinHash + LSH$(256, 0.7, 5)$文档

    MinHash + LSH 参数 $(P, T, K, B, R)$ :

    1. $P$ 哈希函数的个数或排列的个数
    2. $T$ Jaccard 相似度阈值
    3. $K$ K- 元组
    4. $B$ 条带数
    5. $R$ 每条带包含的行数

    我们做了一个简单的演示程序来说明这些参数对结果的影响: MinHash 数学演示。

    例解 MinHash

    在本节中，我们将详细介绍在 BigCode 中使用的 MinHash 方法的每个步骤，并讨论该方法的系统扩展性问题及其解决方案。我们以一个含有三个英文文档为例来演示整个工作流程:

    doc_id内容
    0Deduplication is so much fun!
    1Deduplication is so much fun and easy!
    2I wish spider dog[[17]](#17) is a thing.

    MinHash 的典型工作流程如下:

    1. 词袋生成 (生成 n- 元组) 及指纹生成 (生成 MinHash): 将每个文档映射成一组哈希值。
    2. 局部敏感哈希 (LSH): 逐条带 (band) 的比较文档的相似性，并将相似的文档聚类以减少后续比较的次数。
    3. 去重: 决定保留或删除哪些重复文档。

    词袋生成

    与大多数文本应用一样，我们需要先把文本表示成词袋，这里我们通常使用 N- 元组词袋。在本例中，我们使用以单词为基本单元的 3- 元组 (即每 3 个连续单词组成一个元组)，且不考虑标点符号。我们后面会回过头来讨论元组大小对性能的影响。

    doc_id3-元组
    0{"Deduplication is so", "is so much", "so much fun"}
    1{'so much fun', 'fun and easy', 'Deduplication is so', 'is so much'}
    2{'dog is a', 'is a thing', 'wish spider dog', 'spider dog is', 'I wish spider'}

    这个操作的时间复杂度为 $\mathcal{O}(NM)$，其中 $N$ 表示文档数，而 $M$ 表示文档长度。也就是说，时间复杂度与数据集大小呈线性关系。我们可以用多进程或分布式计算来并行化词袋生成过程。

    指纹计算

    使用 MinHash 方法时，每个 N- 元组需要生成多个哈希值，此时我们通常要么 1) 使用不同的哈希函数进行多次哈希，要么 2) 使用一个哈希函数进行哈希后再进行多次重排。本例中，我们选择第二种方法，重排生成 5 个哈希值。 更多 MinHash 的变体可以参考 MinHash - 维基百科。

    N-元组哈希值
    Deduplication is so[403996643, 2764117407, 3550129378, 3548765886, 2353686061]
    is so much[3594692244, 3595617149, 1564558780, 2888962350, 432993166]
    so much fun[1556191985, 840529008, 1008110251, 3095214118, 3194813501]

    对以上文档哈希矩阵中的每一列取最小值 —— 即 “MinHash” 中的 “Min” 的题中之义，我们就能得到该文档最终的 MinHash 值:

    doc_idMinHash
    0[403996643, 840529008, 1008110251, 2888962350, 432993166]
    1[403996643, 840529008, 1008110251, 1998729813, 432993166]
    2[166417565, 213933364, 1129612544, 1419614622, 1370935710]

    从技术上讲，虽然我们通常取最小值，但这并不代表我们一定要取每列的最小值。其他顺序统计量也是可以的，例如最大值、第 k 个最小值或第 k 个最大值 [[21]](#21)。

    在具体实现时，我们可以使用 numpy 来对这些操作进行向量化。该操作的时间复杂度为 $\mathcal{O}(NMK)$，其中 $K$ 是排列数。以下列出了我们的代码，它是基于 Datasketch 的实现修改而得的。

    def embed_func(
    content: str,
    idx: int,
 *,
    num_perm: int,
    ngram_size: int,
    hashranges: List[Tuple[int, int]],
    permutations: np.ndarray,
) -> Dict[str, Any]:
    a, b = permutations
    masks: np.ndarray = np.full(shape=num_perm, dtype=np.uint64, fill_value=MAX_HASH)
    tokens: Set[str] = {" ".join(t) for t in ngrams(NON_ALPHA.split(content), ngram_size)}
    hashvalues: np.ndarray = np.array([sha1_hash(token.encode("utf-8")) for token in tokens], dtype=np.uint64)
    permuted_hashvalues = np.bitwise_and(
        ((hashvalues * np.tile(a, (len(hashvalues), 1)).T).T + b) % MERSENNE_PRIME, MAX_HASH
    )
    hashvalues = np.vstack([permuted_hashvalues, masks]).min(axis=0)
    Hs = [bytes(hashvalues[start:end].byteswap().data) for start, end in hashranges]
    return {"__signatures__": Hs, "__id__": idx}

    熟悉 Datasketch 的读者可能会问，为什么我们要费心费力剥离 Datasketch 库提供的所有高级功能？其主要原因并不是因为我们要减少依赖项，而是因为我们想要尽可能地榨取 CPU 的算力。而将多个步骤融合到一个函数中，是更好利用计算资源的手段之一。

    由于每个文档的计算互相独立，因此我们可以充分利用 datasets 库的 map 函数来实现并行化:

    embedded = ds.map(
    function=embed_func,
    fn_kwargs={
        "num_perm": args.num_perm,
        "hashranges": HASH_RANGES,
        "ngram_size": args.ngram,
        "permutations": PERMUTATIONS,
    },
    input_columns=[args.column],
    remove_columns=ds.column_names,
    num_proc=os.cpu_count(),
    with_indices=True,
    desc="Fingerprinting...",
)

    指纹计算完毕之后，每个文档都被映射成了一个整数数组。为了弄清楚哪些文档彼此相似，我们需要根据这些指纹对它们进行聚类。轮到 局部敏感哈希 (Locality Sensitive Hashing，LSH) 闪亮登场了。

    局部敏感哈希 (LSH)

    LSH 将指纹数组按行分成若干个条带 (band)，每个条带的行数相同，如果遇到最后一个条带行数不足，我们就直接忽略它。以条带数 $b=2$ 为例，每个条带有 $r=2$ 行，具体组织如下:

    doc_idMinHash条带
    0[403996643, 840529008, 1008110251, 2888962350, 432993166][0:[403996643, 840529008], 1:[1008110251, 2888962350]]
    1[403996643, 840529008, 1008110251, 1998729813, 432993166][0:[403996643, 840529008], 1:[1008110251, 1998729813]]
    2[166417565, 213933364, 1129612544, 1419614622, 1370935710][0:[166417565, 213933364], 1:[1129612544, 1419614622]]

    若两个文档在某条带上 MinHash 值相同，这两个文档就会被聚到同一个桶中备选。

    条带 ID条带值doc_ids
    0[403996643, 840529008]0, 1
    1[1008110251, 2888962350]0
    1[1008110251, 1998729813]1
    0[166417565, 213933364]2
    1[1129612544, 1419614622]2

    遍历 doc_ids 列的每一行，将其中的文档两两配对就生成了候选对。上表中，我们能生成一个候选对: (0, 1) 。

    候选对生成后 ……

    很多数据去重的论文或教程讲完上一节就结束了，但在实际项目中我们还涉及如何处理这些候选对的问题。通常，候选对生成后，我们有两个选择:

    1. 由于 MinHash 只是一个近似，所以仍需计算两个文档的 N- 元组集合的交并比来算得准确的 Jaccard 相似性。此时，因为 LSH 已经帮我们过滤了不少，所以最终参与计算的候选对的量会大大减少。在 BigCode 项目中，我们起初就采用了这种做法，效果相当不错。
    2. 我们还可以直接认可 LSH 选出来的相似对。这里面可能会有个问题: Jaccard 相似性不具传递性，也就是说 $A$ 相似于 $B$ 且 $B$ 相似于 $C$，并不意味着 $A$ 相似于 $C$。所以这里可能会有不少假阳性。通过在 The Stack 数据集上的实验，我们发现，直接认可 LSH 选出来的相似对在很大程度上能提高下游模型的性能，同时还节省了处理时间和训练时间。因此目前我们正慢慢开始转向这种方法。但是，这个经验并不是放之四海而皆准的，如果你准备在自己的数据集上仿效我们的做法，我们建议你在此之前好好检查你的数据集及其特点，然后作出数据驱动的决策。

    最后，我们可以用生成的相似文本对构建一个图，在这个图中，重复的文档会被聚至同一个社区或同一个连通子图中。不幸的是， datasets 在这方面帮不上什么忙，因为现在我们需要类似 groupby 的功能，以根据 条带 ID 及 文档在该条带上的取值 对文档进行聚类。下面列出了我们尝试过的一些方案:

    方案 1: 老办法，迭代数据集以创建图，然后用一个图处理库对其做社区检测或者连通分量检测。

    我们测试下来，该方案的扩展性不怎么好，其原因是多方面的: 首先，整个数据集迭代起来很慢，而且内存消耗很大; 其次，诸如 graphtool 或 networkx 的市面上流行的图处理库创建图的开销较大。

    方案 2: 使用流行的 Python 框架 (如 dask ) 及其高效的 groupby 操作。

    但迭代慢和创建图慢的问题仍然存在。

    方案 3: 迭代数据集并使用并查集 (union find data structure) 对文档进行聚类。

    这个方案引入了一个很小的迭代开销，对中等数据集的有不错的效果不错，但在大数据集上还是慢。

    for table in tqdm(HASH_TABLES, dynamic_ncols=True, desc="Clustering..."):
    for cluster in table.values():
        if len(cluster) <= 1:
            continue
        idx = min(cluster)
        for x in cluster:
            uf.union(x, idx)

    方案 4: 对大数据集，使用 Spark。

    我们已经知道到 LSH 的有些步骤是可以并行化的，我们可以用 Spark 来实现它们。Spark 的好处是，它开箱即支持分布式 groupBy ，而且也能很轻松地实现像 [[18]](#18) 这样的连通分量检测算法。注意，这里我们并没有使用 Spark 的原生 MinHash 实现，其原因是迄今为止我们所有的实验都源于 Datasketch，而 Datasketch 的 MinHash 实现与 Spark 的原生实现完全不同。我们希望之前的经验和教训能帮助到后面的工作，而不是另起炉灶，进入另一个消融实验的轮回，因此我们选择在 Spark 中自己实现 Datasketch 的 MinHash 算法。

    edges = (
    records.flatMap(
        lambda x: generate_hash_values(
            content=x[1],
            idx=x[0],
            num_perm=args.num_perm,
            ngram_size=args.ngram_size,
            hashranges=HASH_RANGES,
            permutations=PERMUTATIONS,
        )
    )
    .groupBy(lambda x:(x[0], x[1]))
    .flatMap(lambda x: generate_edges([i[2] for i in x[1]]))
    .distinct()
    .cache()
)

    以下是基于 [[18]](#18) 的简单连通分量检测算法的 Spark 实现。

    a = edges
while True:
    b = a.flatMap(large_star_map).groupByKey().flatMap(large_star_reduce).distinct().cache()
    a = b.map(small_star_map).groupByKey().flatMap(small_star_reduce).distinct().cache()
    changes = a.subtract(b).union(b.subtract(a)).collect()
    if len(changes) == 0:
        break

results = a.collect()

    多亏了云计算提供商，我们可以使用 GCP DataProc 等服务轻松地搭建 一个 Spark 集群。 最终，我们把程序运行起来，只用了不到 4 小时就完成了 1.4 TB 数据的去重工作，每小时仅需 15 美元。

    数据质量很重要

    我们不可能爬着梯子登上月球。因此我们不仅要确保方向正确，还要确保方法正确。

    早期，我们使用的参数主要来自 CodeParrot 的实验，消融实验表明这些参数确实提高了模型的下游性能 [[16]](#16)。后来，我们开始沿着这条路进一步探索，由此进一步确认了以下结论 [[4]](#4):

    1. 数据去重可以在缩小数据集 (6 TB VS. 3 TB) 规模的同时提高模型的下游性能

    2. 虽然我们还没有完全搞清楚其能力边界及限制条件，但我们确实发现更激进的数据去重 (6 TB VS. 2.4 TB) 可以进一步提高性能，方法有:

      1. 降低相似度阈值
      2. 使用更长的元组 (如: 一元组 → 五元组)
      3. 放弃误报检查，承受一小部分误报带来的数据损失

    1- 元组时不同设置影响的小提琴图

    5- 元组时不同设置影响的小提琴图

    <center>
    图例: 上述两幅图展示了相似性阈值和元组大小带来的影响，第一幅图使用 1- 元组，第二幅图使用 5- 元组。红色虚线表示相似性阈值: 低于该值的文档与同一簇中其他文档的相似性低于阈值，我们将其视为误报。
    </center>

    上面两幅图可以帮助我们理解为什么有必要仔细检查 CodeParrot 以及早期版本的 The Stack 训练数据上的误报: 这是使用 1- 元组的误报比例会很大; 上图还表明，将元组大小增加到 5，误报比例会显著降低。如果想激进点去重的话，阈值可以设低点。

    还有实验表明，降低阈值会删除更多包含部分相似内容的文档，因此意味着提高了我们最想删除的那部分文档的查全率。

    系统扩展性

    Scaling results for dataset size and deduplication time

    <center> 图例: 数据去重时间与原始数据集规模的关系。测试基于 GCP 上的 15 个 c2d-standard-16 实例，每个实例每小时的成本约为 0.7 美元。</center>

    CPU usage screenshot for the cluster during processing JSON dataset

    <center> 图例: 集群在处理 JSON 数据集时的 CPU 使用率。</center>

    上述扩展性数据未必非常严格，但也足够说明，在给定预算的情况下，数据去重耗时与数据集规模的关系应该是线性的。如果你仔细看一下处理 JSON 数据集 (The Stack 数据集的最大子集) 的集群资源使用情况，你会发现实际总计算时间 (图中第 2 和第 3 阶段) 主要都花在了 MinHash + LSH (图中第 2 阶段) 上，这与我们先前的分析一致，即第 2 阶段 d 的时间复杂度为 $ \mathcal{O}(NM) $ — 与数据体量成线性关系。

    谨慎行事

    数据去完重并不意味着万事大吉了，你仍然需要对数据进行彻底的探索和分析。此外，上文这些有关数据去重的发现来自于 The Stack 数据集，并不意味着它能无脑适用于其他数据集或语言。要构建一个好的训练数据集，我们仅仅迈出了万里长征的第一步，后面还有很多工作要做，例如数据质量过滤 (如过滤漏洞数据、毒性数据、偏见数据、模板生成的数据、个人身份数据等)。

    我们还鼓励你在训练前像我们一样对数据集进行彻底的分析，因为大家的情况可能各不相同。例如，如果你的时间和计算预算都很紧张，那么数据去重可能不是很有帮助: @geiping_2022 提到基于子字符串的数据去重并没有提高他们模型的下游性能。在使用前，可能还需要对现存数据集进行彻底检查，例如，@gao_2020 声明他们只确保 Pile 本身及其子集都已去重，但不保证其与任何下游基准数据集没有重复，要不要对 Pile 与下游基准数据集进行去重取决于使用者自己。

    在数据泄露和基准污染方面，还有很多需要探索的地方。由于 HumanEval 也是 GitHub Python 存储库之一，我们不得不重新训练了我们的代码模型。早期的工作还发现，最流行的编码基准之一的 MBPP[[19]](#19) 与许多 Leetcode 问题有很多相似之处 (例如，MBPP 中的任务 601 基本上是 Leetcode 646，任务 604 ≃ Leetcode 151)。我们都知道 GitHub 中不乏很多编程挑战赛题及其答案代码。如果居心叵测的人把所有基准测试的 Python 代码以不易察觉的方式上传到 Github，污染你所有的训练数据，这事儿就更难了。

    后续方向

    1. 子串去重。尽管在英语 [[3]](#3) 上子串去重是有益的，但尚不清楚是否对代码数据也有用;
    2. 重复段落: 在一篇文档中重复多次的段落。 @rae_2021 分享了一些关于如何检测和删除它们的有趣的启发式方法。
    3. 使用模型嵌入进行语义级的去重。这是另外一套思路了，需要一整套去重、扩展性、成本、销蚀等各方面的实验和权衡。对此 [[20]](#20) 提出了一些有趣的看法，但我们仍然需要更多实际证据才能得出结论 (其文本去重工作仅参考了 @lee_2022a 的工作，而 @lee_2022a 的主张主要是去重有作用而并未证明其效果达到了 SOTA)。
    4. 优化。还有不少优化空间: 更好的质量评估标准、扩展性、对下游性能影响的分析等。
    5. 换个角度: 对相似数据，去重到什么程度就会开始损害性能？需要保留多少相似数据以保留数据的多样性又不至冗余？

    致谢

    题图中的表情符 (Hugging Face、圣诞老人、文档、巫师以及魔杖) 来自于 Noto Emoji (Apache 2.0)。我也庄严保证，这篇博文是我一个字一个字敲出来的，没有使用任何文本生成 API。

    非常感谢 Huu Nguyen(@Huu) 和 Hugo Laurençon(@HugoLaurencon) 在 BigScience 项目中的合作，以及 BigCode 项目中每个人一路上的帮助！如果你发现任何错误，请随时联系我: mouchenghao at gmail dot com。

    更多资源

    参考文献

    英文原文: <url>https://huggingface.co/blog/dedup</url>

    原文作者: Chenghao Mou

    译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。

    审校/排版: zhongdongy (阿东)

    人工智能
    HuggingFace
    120 声望44 粉丝

    The AI community building the future.

    « 上一篇
    在英特尔 CPU 上微调 Stable Diffusion 模型
    下一篇 »
    用 Hugging Face 推理端点部署 LLM

    引用和评论

    推荐阅读
    头像
    Halo 正式开源: 使用可穿戴设备进行开源健康追踪

    HuggingFace阅读 37

    头像
    Light·技术公益创造营，开营了！

    SegmentFault思否赞 3阅读 12.6k

    头像
    数据集汇总｜18个电影/音乐数据集汇总，覆盖影片/歌曲推荐、电影评价、歌词识别、音乐流派······

    超神经HyperAI赞 3阅读 1.2k

    头像
    详解Diffusion扩散模型：理论、架构与实现

    techlead_kris赞 2阅读 1.1k

    头像
    Looktech 发布 AI 智能眼镜：旋钮交互引领创新，智能体小程序开启无限可能

    思否编辑部赞 1阅读 3.5k

    头像
    RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验

    汀丶赞 1阅读 1.5k

    头像
    8款国内外免费AI生成视频工具对比实测！我们真的可以做到“一人搞定一部影视作品“吗？

    金融机器智能官方赞 1阅读 4.7k评论 1

    0 条评论
    得票最新