remote_formatter

功能概述

该算子用于从 HuggingFace Hub 加载数据集，支持加载公开数据集和需要认证的私有数据集。

核心参数

参数	类型	必填	默认值	说明
dataset_path	string	是	-	HuggingFace数据集路径
output_path	string	是	-	输出JSONL文件路径
text_keys	list	否	['text']	文本字段名列表
split	string	否	'train'	数据集划分
num_proc	int	否	1	并行处理的进程数

输入数据格式

dataset_path 支持以下格式：

• 公开数据集：username/dataset_name
• 本地路径或远程路径

输出数据格式

输出为 JSONL 格式，每行一个样本。

使用示例

命令行调用

# 加载HuggingFace公开数据集
python scripts/run_remote_formatter.py \
  --dataset_path "rotten_tomatoes" \
  --output_path /path/to/output.jsonl

# 指定文本字段
python scripts/run_remote_formatter.py \
  --dataset_path "yelp_review_full" \
  --output_path /path/to/output.jsonl \
  --text_keys text \
  --split train

# 带认证加载私有数据集
python scripts/run_remote_formatter.py \
  --dataset_path "private_user/private_dataset" \
  --output_path /path/to/output.jsonl

参数说明

• --dataset_path: HuggingFace数据集路径
• --output_path: 输出JSONL文件路径
• --text_keys: 文本字段名，可重复指定多个（默认 ['text']）
• --split: 数据集划分（默认 'train'）
• --num_proc: 并行进程数，默认1

注意事项

1. 首次运行会下载数据集，可能需要较长时间
2. 对于私有数据集，需要先登录 HuggingFace：huggingface-cli login
3. 支持的数据集格式由 HuggingFace datasets 库决定