Platform for AI (PAI) のLLM-Special Characters Ratio Filter (DLC) コンポーネントは、テキスト内の特殊文字の比率に基づいてサンプルテキストをフィルタリングするために使用されます。 入力Object Storage Service (OSS) データファイルは、JSONライン形式であり、次の要件を満たす必要があります。ファイルの各行は有効なJSONオブジェクトであり、ファイルは複数行のJSONオブジェクトで構成されますが、ファイルは有効なJSONオブジェクトではありません。 詳細については、「例」をご参照ください。
サポートされるコンピューティングリソース
アルゴリズムの説明
アルゴリズムは、テキスト内の各文字をトラバースし、テキストの長さに対する特殊文字の数の比率を計算します。
特殊文字には、句読点 (string.punctuation) 、数字 (string.digits) 、スペース (string.whitespace) 、絵文字、およびその他の特殊文字が含まれます。
コンポーネントの設定
Machine Learning Designerのパイプラインページで、LLM-Special Characters Ratio Filter (DLC) コンポーネントのパラメーターを設定します。
タブ | パラメーター | 必須 | 説明 | デフォルト値 | |
フィールドの設定 | Target Processフィールド | 可 | 処理するフィールドの名前。 | N/A | |
最小比率 | 不可 | テキストの長さに対する特殊文字の数の比率がこの値より小さい場合、テキストは除外されます。 値はFLOAT型です。 | 0 | ||
最大比率 | 可 | テキストの長さに対する特殊文字の数の比率がこの値より大きい場合、テキストは除外されます。 値はFLOAT型です。 | N/A | ||
OutputDataを保存するためのOSSディレクトリ | 不可 | 生成されたデータが保存されるOSSディレクトリ。 このパラメーターを指定しない場合、ワークスペースのデフォルトパスが使用されます。 | N/A | ||
チューニング | プロセス数 | 不可 | プロセスの数。 | 8 | |
リソースグループの選択 | パブリックリソースグループ | 不可 | 使用するインスタンスタイプ (CPUまたはGPU) 、インスタンス数、および仮想プライベートクラウド (VPC) 。 | N/A | |
専用リソースグループ | 不可 | 使用するvCPU、メモリ、共有メモリの数、GPUの数、およびインスタンスの数。 | N/A | ||
最大実行時間 | 不可 | コンポーネントを実行できる最大期間。 この時間を超えると、ジョブは終了する。 | N/A | ||