[Tools] Rename tool_helpers to fast_dataindex. (#9134)

Author: ZHUI

legacy/model_zoo/ernie-1.0/README.md

@@ -94,9 +94,11 @@ def __init__(self, datasets, weights):
         while True:
             try:
                 try:
-                    from tool_helpers import helpers
+                    from fast_dataindex import helpers
                 except Exception:
-                    print_rank_0(" > missing tool_helpers, pip install tool_helpers please, try to compile locally.")
+                    print_rank_0(
+                        " > missing fast_dataindex, pip install fast_dataindex please, try to compile locally."
+                    )
                     import data_tools.helpers as helpers
                 break
             except Exception:
@@ -785,9 +787,9 @@ def get_samples_mapping(
         print_rank_0(" > building sapmles index mapping for {} ...".format(name))
         # First compile and then import.
         try:
-            from tool_helpers import helpers
+            from fast_dataindex import helpers
         except ModuleNotFoundError:
-            print_rank_0(" > missing tool_helpers, pip install tool_helpers please, try to compile locally.")
+            print_rank_0(" > missing fast_dataindex, pip install fast_dataindex please, try to compile locally.")
             if local_rank == 0:
                 compile_helper()
             import data_tools.helpers as helpers

legacy/model_zoo/ernie-1.0/data_tools/dataset_utils.py

@@ -81,7 +81,7 @@ python -u  -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" run_pretrain.py
 
 注意：
 
-1. 建议使用 paddle develop 版本训练，需要安装`pip install tool_helpers visualdl==2.5.3`等相关缺失 whl 包
+1. 建议使用 paddle develop 版本训练，需要安装`pip install fast_dataindex visualdl==2.5.3`等相关缺失 whl 包
 2. `use_flash_attention` 需要在 A100机器开启，建议使用 cuda11.8环境。
 3. `use_fused_rms_norm` 需要安装自定义算子。如果安装后仍然找不到算子，需要额外设置 PYTHONPATH
 4. `continue_training` 表示从现有的预训练模型加载训练。7b 模型初始 loss 大概为2.xx, 随机初始化模型 loss 从11.x 左右下降。

legacy/model_zoo/ernie-1.0/pretraining_introduction.md

@@ -76,7 +76,7 @@ git clone 代码到本地，即可开始。
 
 注意：
 
-1. 建议使用paddle develop版本训练，需要安装 ``pip install tool_helpers visualdl==2.5.3`` 等相关缺失whl包。
+1. 建议使用paddle develop版本训练，需要安装 ``pip install fast_dataindex visualdl==2.5.3`` 等相关缺失whl包。
 2. ``use_flash_attention`` 需要在A100机器开启，建议使用cuda11.8环境。
 3. ``use_fused_rms_norm`` 需要安装 `此目录 <https://github.com/PaddlePaddle/PaddleNLP/tree/develop/legacy/model_zoo/gpt-3/external_ops>`_ 下的自定义OP, `python setup.py install`。如果安装后仍然找不到算子，需要额外设置 ``PYTHONPATH``。
 4. ``continue_training`` 表示从现有的预训练模型加载训练。7b模型初始loss大概为2.xx, 随机初始化模型loss从11.x左右下降。

llm/README.md

@@ -2,7 +2,7 @@
 
 ## 1. 模型介绍
 
-我们采用了Attention和FFN并行的Parallel Transformer的实现方式，将FFN和Attention层进行并行计算。通过这样的设计，我们可以把Attention和FFN需要的线形层计算进行算子融合，降低kernel调用以及通讯次数，提升并行训练的效率。并且我们发现第一层的FFN和最后一层的Attn作用不大，因此采用了“掐头去尾”策略，将底层的FFN的计算量挪到模型的顶层，在同FLOPs下效果和传统Transformer结构一致，但有更好的训练速度和吞吐。
+我们采用了 Attention 和 FFN 并行的 Parallel Transformer 的实现方式，将 FFN 和 Attention 层进行并行计算。通过这样的设计，我们可以把 Attention 和 FFN 需要的线形层计算进行算子融合，降低 kernel 调用以及通讯次数，提升并行训练的效率。并且我们发现第一层的 FFN 和最后一层的 Attn 作用不大，因此采用了“掐头去尾”策略，将底层的 FFN 的计算量挪到模型的顶层，在同 FLOPs 下效果和传统 Transformer 结构一致，但有更好的训练速度和吞吐。
 
 <table>
 <tr>
@@ -16,7 +16,7 @@
 </table>
 
 
-* Rope Embedding+[随机位置编码](https://aclanthology.org/2023.acl-short.161)：我们采用的旋转位置编码Rope，并且为了有较好的模型外推能力，我们保留了线形层的Bias。为了提供长文外推能力，我们通过随机间隔取Position Ids，让模型能够有训短推长的能力。
+* Rope Embedding+[随机位置编码](https://aclanthology.org/2023.acl-short.161)：我们采用的旋转位置编码 Rope，并且为了有较好的模型外推能力，我们保留了线形层的 Bias。为了提供长文外推能力，我们通过随机间隔取 Position Ids，让模型能够有训短推长的能力。
 
 <img src="https://github.com/PaddlePaddle/PaddleNLP/assets/20554008/423622c1-aed9-4ea9-83b0-d5d3efbaf35b" title="随机位置编码" height="300">
 
@@ -27,7 +27,7 @@
 
 预训练数据制作参考[此处](../../tools/preprocess/docs/OpenWebText2.md)
 
-为了方便用户运行测试本模型，本项目提供了处理好的100k条doc的训练样本：
+为了方便用户运行测试本模型，本项目提供了处理好的100k 条 doc 的训练样本：
 ```shell
 wget https://bj.bcebos.com/paddlenlp/models/transformers/ernie/data/ernie_openwebtext_100k_ids.npy
 wget https://bj.bcebos.com/paddlenlp/models/transformers/ernie/data/ernie_openwebtext_100k_idx.npz
@@ -86,11 +86,11 @@ python -u -m paddle.distributed.launch \
     --device "gpu"
 ```
 注意：
-1. 需要paddle develop版本训练，需要安装`pip install tool_helpers visualdl==2.5.3`等相关缺失whl包
-2. `use_flash_attention` 需要在A100机器开启，否则loss可能不正常（很快变成0.00x,非常小不正常）。建议使用cuda11.8环境。
+1. 需要 paddle develop 版本训练，需要安装`pip install fast_dataindex visualdl==2.5.3`等相关缺失 whl 包
+2. `use_flash_attention` 需要在 A100机器开启，否则 loss 可能不正常（很快变成0.00x,非常小不正常）。建议使用 cuda11.8环境。
 3. `continue_training` 表示从现有的预训练模型加载训练，如果需要从头开始预训练模型，则设置为0。
-4. `use_fused_ln` 需要安装[此目录](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/legacy/model_zoo/gpt-3/external_ops)下的自定义OP, `python setup.py install`。如果安装后仍然找不到算子，需要额外设置PYTHONPATH
-5. 当前脚本为sharding版本，需要4D并行训练（数据、sharding、张量、流水线并行）的用户，可另外调整相关参数。
+4. `use_fused_ln` 需要安装[此目录](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/legacy/model_zoo/gpt-3/external_ops)下的自定义 OP, `python setup.py install`。如果安装后仍然找不到算子，需要额外设置 PYTHONPATH
+5. 当前脚本为 sharding 版本，需要4D 并行训练（数据、sharding、张量、流水线并行）的用户，可另外调整相关参数。
 
 
 
@@ -184,10 +184,10 @@ python finetune_generation.py \
 - `do_train`: 是否训练模型。
 - `do_eval`: 是否评估模型。
 - `tensor_parallel_degree`: 模型并行数量。
-- `eval_with_do_generation`: 在评估的时候是否调用model.generate,默认为False。
+- `eval_with_do_generation`: 在评估的时候是否调用 model.generate,默认为 False。
 - `lora`: 是否使用 LoRA 技术。
 - `merge_weights`: 是否合并原始模型和 LoRA 模型的权重。
-- `lora_rank`: LoRA 算法中rank（秩）的值，默认为8。
+- `lora_rank`: LoRA 算法中 rank（秩）的值，默认为8。
 - `lora_path`: LoRA 参数和配置路径，对 LoRA 参数进行初始化。
 - `task_name`: 内置数据集任务名
 - `data_name`: 内置数据集名，定义数据集名必须同时定义数据集任务名

llm/docs/pretrain.rst

@@ -122,7 +122,7 @@ def _build_indices():
             dataset_index = np.zeros(self.size, dtype=np.uint8)
             dataset_sample_index = np.zeros(self.size, dtype=np.int64)
 
-            from tool_helpers import helpers
+            from fast_dataindex import helpers
 
             helpers.build_blending_indices(
                 dataset_index,
@@ -782,7 +782,7 @@ def _build_index_mappings(
             # Use C++ implementation for speed.
             # First compile and then import.
             # from megatron.data import helpers
-            from tool_helpers import helpers
+            from fast_dataindex import helpers
 
             assert doc_idx.dtype == np.int32
             assert sizes.dtype == np.int32