本文正在参加✍技术视角深入 ChatGPT 征文活动

前语

假如阅览过openai的文档，便能看到对于模型供给了fine-turning功用，即微调。GPT-3已经在互联网中进行了大量文本的预练习，当咱们给出少数示例的提示时，它一般能够直观地了解正在测验履行的任务并生成一个合理的完结。这一般被称为“小样本学习”。但咱们需求的是一些特定的需求，比方GPT之前未预练习过的数据或是一些私有数据，便能够用微调经过练习来改善小样本学习。

那么微调都能够解决什么问题呢？结合官网的攻略，常见的场景有：

• 文本生成：能够经过供给相关数据集和指导性的文本，生成更加准确和有针对性的文本
• 文本分类：将一段文本分成多个类别，例如电子邮件分类
• 情感剖析：剖析一段文本的情感倾向，是否活跃或消沉

本文将对情感剖析进行一次测验。

预备数据

先从网上获取了一份关于酒店谈论的数据，一共就两列。

榜首列是谈论内容，第二列1代表活跃， 0 代表消沉。

有需求的能够从这儿下载，一共是1w条 谈论文本情感剖析

不过现在的数据是不能直接运用的，咱们需求转换成GPT能接受的格式

{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
...

数据预处理

openai很交心的预备一个工具来验证、格式化数据。

安装CLI

pip install --upgrade openai

验证、格式化

openai tools fine_tunes.prepare_data -f <LOCAL_FILE>

履行指令后咱们看到他回来的提示中告诉了数据一共有300条，并猜想咱们是要进行分类模型，同时主张咱们用ada模型，拆分出练习集和测试集，加入分隔符（加入分隔符能够协助模型更好地了解输入的数据），分别会在接下来让咱们挑选

为所有提示添加后缀分隔符 `->`
- [Recommended] Add a suffix separator ` ->` to all prompts [Y/n]: Y
在完结的开头添加空格字符
- [Recommended] Add a whitespace character to the beginning of the completion [Y/n]: Y 
是否要将其拆分为练习和验证集
- [Recommended] Would you like to split into training and validation set? [Y/n]: Y

无特殊情况全部选Y即可。

之后会生成两个jsonl文件,同时回来一段参阅指令、练习估计的时刻。

练习模型

挑选模型

首要，咱们需求对模型进行一个挑选，现在只支撑davinci、curie、babbage和ada

模型名称	描述	练习/1K tokens	运用/1K tokens
Davinci	最强壮的GPT-3模型，能够完结其他模型能够完结的任何任务，一般具有更高的质量	$0.0300	$0.1200
Curie	十分有能力，但速度更快，本钱更低，比Davinci更适合	$0.0030	$0.0120
Babbage	适用于简略任务，十分快速，本钱更低	$0.0006	$0.0024
Ada	适用于十分简略的任务，一般是GPT-3系列中速度最快，本钱最低的模型	$0.0004	$0.0016

模型的练习和运用都是需求费用的。出于各种原因咱们直接挑选Ada。

开始练习

在此之前，咱们先将key添加到环境变量中

export OPENAI_API_KEY="<OPENAI_API_KEY>"

然后再来看一下之前openai给咱们参阅的代码

openai api fine_tunes.create
    -t ".\train_data_prepared_train.jsonl" 
    -v ".\train_data_prepared_valid.jsonl" 
    --compute_classification_metrics 
    --classification_positive_class " 1"

-t、-v分别是练习集和测试集

–compute_classification_metrics能够核算模型在分类任务中的性能指标，在验证集上核算模型的准确率（accuracy）、精确率（precision）、召回率（recall）和F1分数。这有助于评估模型的性能，并调整微调过程中的超参数和练习策略。

–classification_positive_class是指分类的活跃类别或正例

这儿还需求一个 -m，来设置挑选的模型。我也是手快直接回车了，本来以为会报错，可它正常运行了，可是默认的模型或许不是咱们希望的ada，所以咱们需求撤销这次练习。

openai api fine_tunes.cancel -i <YOUR_FINE_TUNE_JOB_ID>

不过我也是用list查了一下，发现默认的模型是curie

openai api fine_tunes.list

接下来咱们加上模型等候练习完结即可。 假如过程中不小心关掉窗口或许中断了能够用以下指令康复。

openai api fine_tunes.follow -i <YOUR_FINE_TUNE_JOB_ID>

完毕练习

耗时25分钟，花费了0.06刀（比估计的少许多）。

最终咱们看一下剖析结果

openai api fine_tunes.results -i <YOUR_FINE_TUNE_JOB_ID>

详细的解析大家能够阅览官方文档，这儿咱们首要看一下准确度

运用模型

模型的性能指标给出了0.85的准确率，这儿用Playground调用测试一下。

除此之外还能够运用CLI指令

openai api completions.create -m <FINE_TUNED_MODEL> -p <YOUR_PROMPT>

或许运用API

const openai = new OpenAIApi(configuration);
const response = await openai.createCompletion({
  model: "练习完后模型的id",
  prompt: "Say this is a test",
});

输入的prompt结尾需求加上之前CLI自动给咱们补齐的分隔符。

从大数据集中随机拿了几个例子，结果是对的，可是输出有问题

应该是completion结尾没有分隔符的原因，明天再试试，趁便扩大一下样本。

梅开二度

第二次练习在completion的结尾全都加上了” ###”作为分隔符。

在playgroud、API、CLI中记住设置Stop