提交微调工作：组织劳动力

六三八依靠纪律和协调来执行任务。我们将通过创建和提交微调作业来反映这一点，允许法学硕士从我们策划的数据集中学习。

使用 OpenAI 进行微调

当您通过 client.fine_tuning.job.create() 创建微调作业时，您将配置和数据集提交给 OpenAI 进行训练。以下是关键参数及其用途。

---

1. 参数概述

模型

• 描述：您想要微调的预训练 GPT 模型。
• 示例：“gpt-3.5-turbo”、“davinci”、“gpt-4-mini”（假设）。

训练文件

• 描述：包含训练数据的已上传 JSONL 文件的文件 ID。
• 注意：通过使用文件 API 上传数据集并存储 file_id 来获取此 ID。

超参数

• 描述：指定微调超参数的字典。
• 关键字段：
  • batch_size：每批的示例数（默认为自动）。
  • Learning_rate_multiplier：学习率的比例因子（默认为自动）。
  • n_epochs：纪元数（穿过整个数据集）。

后缀

• 描述：附加到微调模型名称后的自定义字符串（最多 18 个字符）。

种子

• 描述：用于再现性的整数。
• 用法：确保运行中具有相同的随机化和一致的训练结果。

验证文件

• 描述：包含验证集的 JSONL 文件的文件 ID。
• 可选：但建议用于跟踪过度拟合并确保良好泛化的模型。

集成

• 描述：您希望为作业启用的集成列表（例如权重和偏差）。
• 字段：通常包括类型和特定于集成的配置。

---

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

管理微调作业
检索最多 10 个微调作业。

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

---

检索特定工作

client.fine_tuning.retrieve("job_id")

---

列出作业的事件

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

总结

• 模型选择：选择合适的GPT模型进行微调。

• 数据准备：上传 JSONL 文件并记下其 ID。

• 超参数：调整批量大小、学习率和周期以获得最佳性能。

• 监控：使用验证文件、作业检索和事件记录来确保您的模型有效训练。

• 再现性：如果一致的结果对您的工作流程很重要，请设置种子。

• 通过执行这些步骤，您将拥有在 OpenAI 中提交和管理微调作业的清晰路径，确保您的模型根据自定义数据进行精确训练。

以上是提交微调工作：组织劳动力的详细内容。更多信息请关注PHP中文网其他相关文章！