微调GPT3.5模型实例

最新推荐文章于 2024-06-21 15:31:58 发布

果壳Adam

最新推荐文章于 2024-06-21 15:31:58 发布

阅读量1.1k

点赞数 21

分类专栏： LLM 文章标签：语言模型人工智能机器学习 gpt-3 深度学习

本文链接：https://blog.csdn.net/weixin_47492805/article/details/135160175

版权

LLM 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

一：什么是微调（Fine-tuning）

微调（Fine-tuning）是一种在深度学习中常见的策略，特别适用于自然语言处理（NLP）、图像识别和其他机器学习任务，其中训练数据可能有限。这种方法涉及到取一个已经在大量数据集上预训练的模型，并对其进行额外的训练，以便它能够更好地执行某个特定任务。这里的关键是利用预训练模型已经学习到的丰富知识和模式，从而加速和改善新任务的学习过程。

二：微调的好处

2. 改善模型性能

3. 增强模型的泛化能力

4. 灵活性和适用性

5. 减少标注成本

1. 提高学习效率
**快速收敛：**由于模型已经在大量数据上预训练，它已经学习了许多通用特征。这意味着模型在特定任务上需要的训练时间更短，因为它只需要调整其参数以适应新任务的特定要求。
**节省时间和资源：**与从头开始训练模型相比，微调需要的计算资源和时间显著减少。这使研究者和开发者能够更快地迭代和改进他们的模型。
**更高的准确率：**微调允许模型在特定任务上达到更高的准确率。预训练模型提供了一个强大的基础，通过针对性的训练，可以使模型在特定领域的表现超过从头开始训练的模型。
**处理数据稀缺：**在数据稀缺的情况下，从头开始训练一个复杂的模型很难获得好的性能。微调通过利用预训练的知识，可以有效地在较小的数据集上学习，从而克服数据限制的问题。
**泛化到新任务：**预训练模型在广泛的数据上学习，能够捕捉到丰富的特征和模式。通过微调，这些通用知识可以帮助模型更好地泛化到新的、未见过的数据或任务上。
**适应不同领域：**即使是在与预训练数据分布大不相同的领域，微调也能通过调整模型参数来适应新领域的特点，从而提高模型在该领域的表现。
**跨领域应用：**预训练模型和微调技术的灵活性使其可以应用于跨领域的多种任务，从文本分类、情感分析到图像识别和语音识别等。
**定制化模型：**微调允许研究者和开发者根据他们的具体需求和数据特性调整模型，使得模型更贴合特定任务或业务需求。
**利用无标注数据：**预训练通常在无标注或自动标注的大规模数据集上进行，减少了昂贵的人工标注成本。微调时只需少量标注数据即可实现性能提升，进一步降低了成本。

三：微调的缺点

**过拟合风险：**在数据量较小的情况下，fine-tuning可能会导致模型对训练数据过拟合，这意味着模型在训练数据上表现良好，但是在未见过的数据上表现不佳。
**调参复杂：**fine-tuning过程中需要调整多个超参数（如学习率、训练时长等），这可能会比较复杂且需要大量的实验来找到最优配置。
**领域适应性问题：**如果预训练模型的数据与目标任务的数据在统计特性上有很大差异，直接fine-tuning可能会导致模型性能不佳。在这种情况下，可能需要额外的领域适应技术。
**模型尺寸限制：**使用大型预训练模型进行fine-tuning时，模型的尺寸可能会限制其在资源受限的环境中的应用，例如在移动设备或嵌入式系统中

四：微调的常见步骤

**选择预训练模型：**首先，选择一个适合你任务的预训练模型。例如，对于文本相关任务，你可能会选择GPT或BERT；对于图像相关任务，则可能选择ResNet或VGG。
**准备任务特定数据：**虽然预训练模型已经在大型通用数据集上学习了通用特征，但你需要准备和整理特定任务的数据集来进行微调。
**模型调整：**这个步骤包括调整预训练模型的架构，以适应特定任务的需求。这可能涉及到修改最后几层网络、添加新的层或调整输出层以匹配任务的输出格式。
**微调训练：**接下来，在特定任务的数据集上继续训练（或微调）模型。这通常使用较低的学习率进行，以避免破坏模型已经学到的有用特征。
**评估和调整：**最后，评估微调后模型的性能，并根据需要进一步调整模型参数或训练过程。

五：微调的常见步骤

1.JSONL格式数据集

{
  "messages": [
    { "role": "system", "content": "<放入系統訊息>" },
    { "role": "user", "content": "<放入使用者的問題>" },
    { "role": "assistant", "content": "<放入理想的回答>." }
  ]
}

2.将数据集上传至官网：

下面的Validation data指的是验证集，可选可不选。将数据集上传后会得到一个ID。

3.调用即可，注意api_key需要自行去官网申请，并且是收费的，可以查看官网的收费记录，是按照token进行收费。

from openai import OpenAI
client = OpenAI(api_key="123")

# openai.api_key = "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"
fine_tuning_response = client.fine_tuning.jobs.create(
    # training_file=training_file_id,
    training_file="file-7Y29cL44qCUYKVccC3QoGbdv",
    # validation_file="file-TPI62L4jYrqfSRqN447484xS",
    model="gpt-3.5-turbo-0125",
    suffix="wys20240308",
    # hyperparameters={
    #     "n_epochs": 4,
    #     "batch_size": 128
    # }
)
job_id = fine_tuning_response.id
print(fine_tuning_response)

print("获取任务ID：", job_id)

在此进行简要介绍,微调是现在很多企业都会选择的方法，既能节约成本，又能完成很复杂的任务。大模型的提出对社会带来巨大影响，有着丰富的机遇和挑战，如何把握，是每个人值得思考的点。