提交微調工作：組織勞動力

六三八依靠紀律和協調來執行任務。我們將透過創建和提交微調作業來反映這一點，允許法學碩士從我們策劃的資料集中學習。

使用 OpenAI 進行微調

當您透過 client.fine_tuning.job.create() 建立微調作業時，您將設定和資料集提交給 OpenAI 進行訓練。以下是關鍵參數及其用途。

---

1. 參數概述

模型

• 描述：您想要微調的預訓練 GPT 模型。
• 例：「gpt-3.5-turbo」、「davinci」、「gpt-4-mini」（假設）。

訓練文件

• 描述：包含訓練資料的已上傳 JSONL 檔案的檔案 ID。
• 注意：透過使用檔案 API 上傳資料集並儲存 file_id 來取得此 ID。

超參數

• 描述：指定微調超參數的字典。
• 關鍵字段：
  • batch_size：每批的範例數（預設為自動）。
  • Learning_rate_multiplier：學習率的比例因子（預設為自動）。
  • n_epochs：紀元數（穿過整個資料集）。

後綴

• 描述：附加到微調模型名稱後的自訂字串（最多 18 個字元）。

種子

• 描述：用於再現性的整數。
• 用法：確保運行中具有相同的隨機化和一致的訓練結果。

驗證文件

• 描述：包含驗證集的 JSONL 檔案的檔案 ID。
• 可選：但建議用於追蹤過度擬合並確保良好泛化的模型。

整合

• 描述：您希望為作業啟用的整合清單（例如權重和偏差）。
• 欄位：通常包括類型和特定於整合的配置。

---

client.fine_tuning.job.create(
    model="gpt-3.5-turbo",
    training_file="train_id",
    hyperparameters={
        "n_epochs": 1
    },
    validation_file="val_id"
)

管理微調作業
檢索最多 10 個微調作業。

client.fine_tuning.jobs.list(limit=10)

---

檢索特定工作

client.fine_tuning.retrieve("job_id")

---

列出作業的事件

client.fine_tuning.list_events(
    fine_tuning_job_id="xxxx",
    limit=5
)

總結

• 模型選擇：選擇適合的GPT模型進行微調。

• 資料準備：上傳 JSONL 檔案並記下其 ID。

• 超參數：調整批次大小、學習率和週期以獲得最佳效能。

• 監控：使用驗證文件、作業擷取和事件記錄來確保您的模型有效訓練。

• 再現性：如果一致的結果對您的工作流程很重要，請設定種子。

• 透過執行這些步驟，您將擁有在 OpenAI 中提交和管理微調作業的清晰路徑，確保您的模型根據自訂資料進行精確訓練。

以上是提交微調工作：組織勞動力的詳細內容。更多資訊請關注PHP中文網其他相關文章！