如何用OpenAI来fine-tune(微调)垂直行业模型？手把手保姆级教程

大家好，欢迎来到IT知识分享网。

这里主要是讲微调gpt-3.5的模型，使用自己企业的数据，在openai基础上训练一个自己行业的专有大模型

总的来说： Fine Tuning的优点是，它能够使ChatGPT模型快速适应中文口语，并能够在短时间内实现中文口语的生成。此外，Fine Tuning技术也能够提高ChatGPT模型的准确性和效率，因为微调后的模型已经具有了更好的中文口语理解和生成能力。 Fine Tuning的缺点是，需要大量的中文口语数据集来进行微调。此外，微调后的模型可能会出现过拟合现象，导致对新数据的适应性不足。

微调（fine-tune）是什么？
网上内容多的是，不过多解释，只讲核心的
微调的基本思想是，先在大规模文本数据上预训练一个大型的语言模型，例如 GPT-3.5（这部分是大模型），然后使用特定任务的数据集（如法律、医疗），进一步对模型进行训练，以适应特定的任务（这部分是微调）。在这个过程中，模型的参数会进行微小的调整，使其在特定业务场景上的性能更好。
直接上代码：
1、首先需要拿到key和url，这个github的项目比较火，方便多了：
https://github.com/xing61/xiaoyi-robot, 拿到key和url。
2、开始撸python代码：（其它语言类似）

• 准备训练数据

数据格式要注意形如下面：

{"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "What's the capital of France?"}, {"role": "assistant", "content": "Paris, as if everyone doesn't know that already."}]} {"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "Who wrote 'Romeo and Juliet'?"}, {"role": "assistant", "content": "Oh, just some guy named William Shakespeare. Ever heard of him?"}]} {"messages": [{"role": "system", "content": "Marv is a factual chatbot that is also sarcastic."}, {"role": "user", "content": "How far is the Moon from Earth?"}, {"role": "assistant", "content": "Around 384,400 kilometers. Give or take a few, like that really matters."}]} 

下面是代码

API_SECRET_KEY = "你的智增增获取的api_key"; BASE_URL = "http://flag.smarttrot.com/index.php/api/v1"; #智增增的base_url # files def files(): openai.api_key = API_SECRET_KEY openai.api_base = BASE_URL resp = openai.File.create( file=open("mydata.jsonl", "rb"), purpose='fine-tune' ) json_str = json.dumps(resp, ensure_ascii=False) print(json_str) 

• 上传训练数据

上传成功就自动开始训练了

API_SECRET_KEY = "你的智增增获取的api_key"; BASE_URL = "http://flag.smarttrot.com/index.php/api/v1"; #智增增的base_url # jobs def jobs(file_id): openai.api_key = API_SECRET_KEY openai.api_base = BASE_URL resp = openai.FineTuningJob.create(training_file=file_id, model="gpt-3.5-turbo") #训练文件的id要从上一步获取得到 json_str = json.dumps(resp, ensure_ascii=False) print(json_str) 

• 检查是否训练完成

要注意的是：
上一步提交完训练任务之后，模型是需要一段时间来训练的，训练的时长取决于你的数据量大小、当下训练的任务数、openai的算力是否充足等等。
也就是说模型是否训练好，是需要有一个判断的
这里通过返回数据的：status=succeeded来进行判断

API_SECRET_KEY = "你的智增增获取的api_key"; BASE_URL = "http://flag.smarttrot.com/index.php/api/v1"; #智增增的base_url # retrieve def retrieve(ftid): openai.api_key = API_SECRET_KEY openai.api_base = BASE_URL resp = openai.FineTuningJob.retrieve(ftid) #微调任务id要从上一步获取得到 json_str = json.dumps(resp, ensure_ascii=False) print(json_str) 

• 使用微调模型

要注意的是：
像使用基础模型gpt-3.5，gpt-4一样，但这个模型名字是你自己训练的，所以名字是比较特殊的，需要从上一步的接口中获取得到

API_SECRET_KEY = "你的智增增获取的api_key"; BASE_URL = "http://flag.smarttrot.com/index.php/api/v1"; #智增增的base_url # chat def chat_completions(query): openai.api_key = API_SECRET_KEY openai.api_base = BASE_URL resp = openai.ChatCompletion.create( model="ft:gpt-3.5-turbo-0613xxxxxxxxxxxxxxxxxxx", # 模型名字要从上一步获取得到 messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": query} ] ) json_str = json.dumps(resp, ensure_ascii=False) print(json_str) 

恭喜，大功告成！！
你就在gpt-3.5基础上训练了一个自己的模型了