[linux] 超长文本训练tokenizer报错 训练数据格式不正确

文章讨论了在使用SentencePiece进行文本生成训练时遇到的RuntimeError,指出问题可能在于训练数据格式不正确,建议将数据适当地转换为字典并使用json.dumps处理,确保非ASCII字符被正确编码。
摘要由CSDN通过智能技术生成

Traceback (most recent call last):
  File "/xxxtext_generation_train/preprocess/token_preprocess/train_tokenizer.py", line 170, in <module>
    spm.SentencePieceTrainer.train(
  File "/usr/local/lib/python3.10/dist-packages/sentencepiece/__init__.py", line 989, in Train
    SentencePieceTrainer._Train(arg=arg, **kwargs)
  File "/usr/local/lib/python3.10/dist-packages/sentencepiece/__init__.py", line 973, in _Train
    model_proto = SentencePieceTrainer._TrainFromMap4(new_kwargs,
  File "/usr/local/lib/python3.10/dist-packages/sentencepiece/__init__.py", line 939, in _TrainFromMap4
    return _sentencepiece.SentencePieceTrainer__TrainFromMap4(args, iter)
RuntimeError: Internal: src/trainer_interface.cc(428) [!sentences_.empty()]  

检查训练数据格式,不要直接print ,要加到dict里面json.dumps(d, ensure_ascii=False)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心心喵

喵喵(*^▽^*)

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值