游雁
2023-11-23 dc682db808eb5f425f0dbed4c5e7feb0a334955f
funasr/datasets/data_sampler.py
@@ -1,29 +1,42 @@
import torch
import numpy as np
class BatchSampler(torch.utils.data.BatchSampler):
   
   def __init__(self, dataset=None, args=None, drop_last=True, ):
   def __init__(self, dataset, batch_size_type: str="example", batch_size: int=14, sort_size: int=30, drop_last: bool=False, shuffle: bool=True, **kwargs):
      
      self.drop_last = drop_last
      self.pre_idx = -1
      self.dataset = dataset
      self.batch_size_type = args.batch_size_type
      self.batch_size = args.batch_size
      self.sort_size = args.sort_size
      self.max_length_token = args.max_length_token
      self.total_samples = len(dataset)
      # self.batch_size_type = args.batch_size_type
      # self.batch_size = args.batch_size
      # self.sort_size = args.sort_size
      # self.max_length_token = args.max_length_token
      self.batch_size_type = batch_size_type
      self.batch_size = batch_size
      self.sort_size = sort_size
      self.max_length_token = kwargs.get("max_length_token", 5000)
      self.shuffle_idx = np.arange(self.total_samples)
      self.shuffle = shuffle
   
   def __len__(self):
      return self.total_samples
   def __iter__(self):
      print("in sampler")
      if self.shuffle:
         np.random.shuffle(self.shuffle_idx)
      batch = []
      max_token = 0
      num_sample = 0
      iter_num = (self.total_samples-1) // self.sort_size + 1
      print("iter_num: ", iter_num)
      for iter in range(self.pre_idx + 1, iter_num):
         datalen_with_index = []
         for i in range(self.sort_size):
@@ -31,30 +44,31 @@
            if idx >= self.total_samples:
               continue
            if self.batch_size_type == "example":
               sample_len_cur = 1
            else:
               idx_map = self.dataset.shuffle_idx[idx]
               # prompt = self.dataset.indexed_dataset[idx_map]["prompt"]
               sample_len_cur = self.dataset.indexed_dataset[idx_map]["source_len"] + \
                                self.dataset.indexed_dataset[idx_map]["target_len"]
            idx_map = self.shuffle_idx[idx]
            # prompt = self.dataset.indexed_dataset[idx_map]["prompt"]
            sample_len_cur = self.dataset.indexed_dataset[idx_map]["source_len"] + \
                             self.dataset.indexed_dataset[idx_map]["target_len"]
            datalen_with_index.append([idx, sample_len_cur])
         
         datalen_with_index_sort = sorted(datalen_with_index, key=lambda x: x[1])
         for item in datalen_with_index_sort:
            idx, sample_len_cur = item
            if sample_len_cur > self.max_length_token:
            idx, sample_len_cur_raw = item
            if sample_len_cur_raw > self.max_length_token:
               continue
            max_token_cur = max(max_token, sample_len_cur)
            max_token_padding = (1 + num_sample) * max_token_cur
            max_token_cur = max(max_token, sample_len_cur_raw)
            max_token_padding = 1 + num_sample
            if self.batch_size_type == 'token':
               max_token_padding *= max_token_cur
            if max_token_padding <= self.batch_size:
               batch.append(idx)
               max_token = max_token_cur
               num_sample += 1
            else:
               yield batch
               max_token = sample_len_cur
               num_sample = 1
               batch = [idx]
               max_token = sample_len_cur_raw
               num_sample = 1