OPENAI?API微調GPT-3的Ada模型怎么實現

本篇內容介紹了“OPENAI API微調GPT-3的Ada模型怎么實現”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

需要提前安裝好 openai 所需要的各種庫，我這里的庫版本是 openai-0.25.0 。以及最關鍵過的 openai key ，這需要科學上網，請自行解決。需要注意的是微調是要花錢的，不過最開始的注冊賬戶里默認都有 5$ ，在開始之前到

https://platform.openai.com/account/usage

這里可以查看是否有余額。另外可以去

https://openai.com/pricing

查看微調不同模型的費用，對于本文的介紹的內容使用免費的 5$ 是足夠的。

數據準備

我們這里使用現成的數據，從網上可以直接讀取使用，該數據主要有兩類包含棒球和曲棍球。并且會隨機打亂數據，方便后續的訓練。可以看到數據的總量不大，只有 1197 條數據。

from sklearn.datasets import fetch_20newsgroups
import pandas as pd
import openai
categories = ['rec.sport.baseball', 'rec.sport.hockey']
sports_dataset = fetch_20newsgroups(subset='train', shuffle=True, random_state=42, categories=categories)
len_all, len_baseball, len_hockey = len(sports_dataset.data), len([e for e in sports_dataset.target if e == 0]), len([e for e in sports_dataset.target if e == 1])
print(f"Total examples: {len_all}, Baseball examples: {len_baseball}, Hockey examples: {len_hockey}")

打印：

Total examples: 1197, Baseball examples: 597, Hockey examples: 600

數據處理

為了加速我們的訓練，我們這里選用打亂的訓練集中的前 100 條數據來進行演示效果，因為數據多的話，時間消耗會長，而且微調的費用會和訓練數據成正比增加。

這里的數據一共有兩列，一列是 prompt 表示待分類的文本，一列是 completion 表示對應文本描述的標簽，標簽只有兩類 baseball 和 hockey 。

labels = [sports_dataset.target_names[x].split('.')[-1] for x in sports_dataset['target']]
texts = [text.strip() for text in sports_dataset['data']]
df = pd.DataFrame(zip(texts, labels), columns = ['prompt','completion']) 
df = df[:100]

微調模型的輸入數據需要按照規定的格式進行整理，這里使用常見的 jsonl 格式，使用 openai 庫自帶的工具進行處理即可得到訓練集 sport2_prepared_train.jsonl 和驗證集 sport2_prepared_valid.jsonl 在當前目錄。

df.to_json("sport2.jsonl", orient='records', lines=True)
!openai tools fine_tunes.prepare_data -f sport2.jsonl -q

模型訓練

首先將你的 openai key 設置成環境變量 OPENAI_API_KEY 才能執行下面的命令，該命令會使用指定的訓練集和驗證集進行微調的分類任務，并且會計算保留分類常見的指標，我們這里指定的模型為 ada 。

!openai api fine_tunes.create -t "sport2_prepared_train.jsonl" -v "sport2_prepared_valid.jsonl" --compute_classification_metrics --classification_positive_class " baseball" -m ada

打印：

Uploaded file from sport2_prepared_train.jsonl: file-wx9c3lYQB6Z4pWrrCqBabWUh
Uploaded file from sport2_prepared_valid.jsonl: file-aujZlpbhXZnevKzJNjF06q85
Created fine-tune: ft-aEHXhd8q9dfG8MOKt43ph7wk
Streaming events until fine-tuning is complete...
[2023-03-28 09:57:12] Created fine-tune: ft-aEHXhd8q9dfG8MOKt43ph7wk
[2023-03-28 09:59:16] Fine-tune costs $0.06
[2023-03-28 09:59:16] Fine-tune enqueued. Queue number: 2
[2023-03-28 09:59:32] Fine-tune is in the queue. Queue number: 1
(Ctrl-C will interrupt the stream, but not cancel the fine-tune)
[2023-03-28 09:57:12] Created fine-tune: ft-aEHXhd8q9dfG8MOKt43ph7wk
Stream interrupted (client disconnected).
To resume the stream, run:
  openai api fine_tunes.follow -i ft-aEHXhd8q9dfG8MOKt43ph7wk

從打印信息中我們能看到此次訓練的花費，以及當前的排隊情況，這個訓練過程是在 openai 的服務器上進行的，有時候長時間因為排隊沒有響應會自己斷開數據流的傳輸，我們如果想要繼續查看任務情況，只需要找到打印出來的唯一任務編碼，執行下面的命令，我的遠程服務器上的訓練任務編碼是 ft-aEHXhd8q9dfG8MOKt43ph7wk ，其實上面的打印信息中都有相應的提示。

openai api fine_tunes.follow -i ft-aEHXhd8q9dfG8MOKt43ph7wk
[2023-03-28 09:57:12] Created fine-tune: ft-aEHXhd8q9dfG8MOKt43ph7wk
[2023-03-28 09:59:16] Fine-tune costs $0.06
[2023-03-28 09:59:16] Fine-tune enqueued. Queue number: 2
[2023-03-28 09:59:32] Fine-tune is in the queue. Queue number: 1
[2023-03-28 10:12:20] Fine-tune is in the queue. Queue number: 0
[2023-03-28 10:13:54] Fine-tune started
[2023-03-28 10:14:22] Completed epoch 1/4
[2023-03-28 10:14:37] Completed epoch 2/4
[2023-03-28 10:14:50] Completed epoch 3/4
[2023-03-28 10:15:03] Completed epoch 4/4
[2023-03-28 10:15:26] Uploaded model: ada:ft-personal-2023-03-28-02-15-26
[2023-03-28 10:15:27] Uploaded result file: file-YZ2VNHkFnAJAhBeTKJ2AxfLK
[2023-03-28 10:15:27] Fine-tune succeeded

從打印信息中我們可以看到微調的結果模型叫 ada:ft-personal-2023-03-28-02-15-26 ，這個可以在 platform.openai.com/playground 里的模型選擇欄中看到自己微調后的模型。

訓練信息打印

我們通過任務編碼可以獲取該任務訓練的各種信息，比如隨著 epoch 變化的 loss 、acc 等信息。可以看出在我們的訓練集上訓練的分類準確率為 100% 。

!openai api fine_tunes.results -i ft-aEHXhd8q9dfG8MOKt43ph7wk > result.csv
results = pd.read_csv('result.csv')
results[results['classification/accuracy'].notnull()].tail(1)

打印信息：

	step	elapsed_tokens	elapsed_examples	training_loss	training_sequence_accuracy	training_token_accuracy	validation_loss	validation_sequence_accuracy	validation_token_accuracy	classification/accuracy	classification/precision	classification/recall	classification/auroc	classification/auprc	classification/f1.0
316	317	143557	317	0.02417	1.0	1.0	NaN	NaN	NaN	1.0	1.0	1.0	1.0	1.0	1.0

模型測試

我們隨機挑選驗證集中的一條文本，使用微調后的模型進行測試，打印出來的分類標簽是正確的。

test = pd.read_json('sport2_prepared_valid.jsonl', lines=True)
res = openai.Completion.create(model= 'ada:ft-personal-2023-03-28-02-15-26', prompt=test['prompt'][0] + '\n\n###\n\n', max_tokens=1, temperature=0)
res['choices'][0]['text']

打印：

' hockey'

另外我們的微調分類器是非常通用的，不僅在我們使用的訓練集和驗證集上游泳，它也能用來預測推文。

sample_hockey_tweet = """Thank you to the 
@Canes
 and all you amazing Caniacs that have been so supportive! You guys are some of the best fans in the NHL without a doubt! Really excited to start this new chapter in my career with the 
@DetroitRedWings
 !!"""
res = openai.Completion.create(model='ada:ft-personal-2023-03-28-02-15-26', prompt=sample_hockey_tweet + '\n\n###\n\n', max_tokens=1, temperature=0, logprobs=2)
res['choices'][0]['text']

打印：

' baseball'

“OPENAI API微調GPT-3的Ada模型怎么實現”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！