cd7b2d4a62
The datasets/ directory is gitignored (large, re-downloadable), but later agents need to know how to obtain the dataset when it is missing. Add a tracked README that documents the download steps. - datasets/README.md: documents the ShareGPT_V3_unfiltered_cleaned_split.json source (HF anon8231489123/ShareGPT_Vicuna_unfiltered), the hf-mirror.com download command for CN environments, the JSON validity check (94145 entries), and the container path consistency note. - .gitignore: change "datasets/" to "datasets/*" so the "!datasets/README.md" negation actually works (git cannot re-include a file under a fully-ignored directory). The dataset .json stays ignored; only README.md is tracked.
66 lines
2.5 KiB
Markdown
66 lines
2.5 KiB
Markdown
# datasets/
|
||
|
||
本目录存放基准测试用的数据集文件。数据集本身**不入库**（体积大、可重新下载），
|
||
本说明文档是仓库中此目录唯一的跟踪文件。
|
||
|
||
如果运行实验时遇到 `FileNotFoundError` 指向本目录下的某个数据集，按下方说明下载。
|
||
|
||
---
|
||
|
||
## ShareGPT_V3_unfiltered_cleaned_split.json
|
||
|
||
`sglang.bench_serving --dataset-name random` 在 `random`（非 `random-ids`）模式下，
|
||
会用这个 ShareGPT 文件作为词表采样的种子语料。文件缺失时 bench_serving 会报错。
|
||
|
||
### 来源
|
||
|
||
HuggingFace 数据集 `anon8231489123/ShareGPT_Vicuna_unfiltered` 的清洗切分版：
|
||
|
||
```
|
||
https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json
|
||
```
|
||
|
||
文件约 **642 MB**，94145 条多轮对话，JSON 数组格式。
|
||
|
||
### 下载方法（国内环境用 hf-mirror 镜像）
|
||
|
||
HuggingFace 直连在国内通常不通，改用 `hf-mirror.com` 镜像：
|
||
|
||
```bash
|
||
# 在仓库根目录下执行
|
||
mkdir -p datasets
|
||
curl -L -o datasets/ShareGPT_V3_unfiltered_cleaned_split.json \
|
||
"https://hf-mirror.com/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json"
|
||
```
|
||
|
||
校验：
|
||
|
||
```bash
|
||
python3 -c "import json; d=json.load(open('datasets/ShareGPT_V3_unfiltered_cleaned_split.json')); print('OK, 条目数:', len(d))"
|
||
# 期望输出: OK, 条目数: 94145
|
||
```
|
||
|
||
### 下载方法（能直连 HuggingFace 时）
|
||
|
||
```bash
|
||
curl -L -o datasets/ShareGPT_V3_unfiltered_cleaned_split.json \
|
||
"https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json"
|
||
```
|
||
|
||
### 容器内路径一致性
|
||
|
||
实验脚本（`start_vllm_docker.sh`）已挂载 `/mnt:/mnt`，而本仓库位于
|
||
`/mnt/yy/sskj`，因此容器内数据集路径与宿主机一致，均为：
|
||
```
|
||
/mnt/yy/sskj/datasets/ShareGPT_V3_unfiltered_cleaned_split.json
|
||
```
|
||
`config.env` 里的 `DATASET_PATH="${ROOT_DIR}/datasets/ShareGPT_V3_unfiltered_cleaned_split.json"`
|
||
会正确解析到这个路径，无需额外配置。
|
||
|
||
### 注意
|
||
|
||
- 数据集文件被 `.gitignore` 忽略（`datasets/` 规则），本 README 通过 `!datasets/README.md`
|
||
例外规则入库。新增其它数据集说明文档时，同样需要在该例外规则中列出。
|
||
- 若实验只用 `--dataset-name random-ids`（基于生成的 token id，无需种子语料），
|
||
则不需要此文件；当前 910C 实验默认用 `random`，需要下载。
|