平时做技术实践时，很多问题不是概念不会，而是细节没串起来。拿“OPENAI API 微调 GPT-3 的 Ada 模型”来说，它看着像小点，放到项目里常会牵出环境、配置、兼容性和维护成本。下面按实际采用顺序，把思路、关键写法和容易踩坑的地方讲清楚，便于大家直接对照操作。
前言
实际处理时，本文主要是介绍了采用 openai 提供的 api 来完成对开放出来的模型进行微调操作。开放的模型有 curie、babbage、ada 等，我这里以微调 ada 举例，其他类似。
实际处理时，需提前安装好 openai 所需的各种库，我这里的库版本是 openai-0.25.0。以及最关键过的 openai key，这需科穴上网，请自行解决。这里需留意微调是要花钱的，不过最开始的注册账户里默认都有 5$，在开始之前到
https://platform.openai.com/account/usage
这里能够查看是否有余额。另外能够去
https://openai.com/pricing
落到代码里，查看微调不同模型的费用，对于本文的介绍的内容采用免费的 5$ 是足够的。
数据准备
在这个场景下，我们这里采用现成的数据，从网上能够直接读取采用，该数据主要有两类包含棒球和曲棍球。同时且会随机打乱数据，便于后续的训练。能够看到数据的总量不大，只有 1197 条数据。
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
数据处理
落到代码里，为便于加速我们的训练，我们这里选用打乱的训练集中的前 100 条数据来进行演示效果，因为数据多的话，时间消耗会长，而且微调的费用会和训练数据成正比增加。
从实现思路看，这里的数据一共有两列，一列是 prompt 表示待分类的文本，一列是 completion 表示对应文本描述的标签，标签只有两类 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]
实际处理时，微调模型的输入数据需按照规定的格式进行整理，这里采用常用的 jsonl 格式，采用 openai 库自带的工具进行处理即可得到训练集 sport2_prepared_train.jsonl 和验证集 sport2_prepared_valid.jsonl 在当前目录。
df.to_json("sport2.jsonl", orient='records', lines=True)
!openai tools fine_tunes.prepare_data -f sport2.jsonl -q
模型训练
理解这一步时，首先将你的 openai key 设置成环境变量 OPENAI_API_KEY 才能执行下面的命令，该命令会采用指定的训练集和验证集进行微调的分类任务，同时且会计算保留分类常用的指标，我们这里指定的模型为 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
在这个场景下，从打印信息中我们能看到此次训练的花费，以及当前的排队情况，这个训练过程是在 openai 的服务器上进行的，有时候长时间因为排队没有响应会自己断开数据流的传输，我们如果想要继续查看任务情况，只需找到打印出来的唯一任务编码，执行下面的命令，我的远程服务器上的训练任务编码是 ft-aEHXhd8q9dfG8MOKt43ph7wk，其实上面的打印信息中都有相应的提示。
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
落到代码里，从打印信息中我们能够看到微调的结果模型叫 ada:ft-personal-2023-03-28-02-15-26，这个能够在 platform.openai.com/playground 里的模型选择栏中看到自己微调后的模型。
训练信息打印
结合项目来看，我们借助任务编码能够拿到该任务训练的各种信息，比如随着 epoch 变化的 loss、acc 等信息。能够看出在我们的训练集上训练的分类准确率为 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
模型测试
在这个场景下，我们随机挑选验证集中的一条文本，采用微调后的模型进行测试，打印出来的分类标签是正确的。
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] + 'nn###nn', max_tokens=1, temperature=0)
res['choices'][0]['text']
打印：
' hockey'
实际处理时，另外我们的微调分类器是很通用的，不仅在我们采用的训练集和验证集上游泳，它也能用来预测推文。
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 + 'nn###nn', max_tokens=1, temperature=0, logprobs=2)
res['choices'][0]['text']
打印：
' baseball'
总结
其实采用 openai 的微调 api 只需四步：
- 准备环境和 key
- 准备规定格式的数据
- 训练模型
- 模型推理
理解这一步时，以上就是OPENAI API 微调 GPT-3 的 Ada 模型的详细内容，更多关于OPENAI API微调GPT-3 Ada 的资料请关注脚本之家其它相关文章！
- OpenAI 函数调用示例及功能入门教程
- openai createChatCompletion函数采用实例
- 176万！GPT-4发布详解如何查看OpenAI的下载量
- OpenAI发布GPT-4兼容图像文本输入处理中文准确度大幅提升
- OpenAI的Whisper模型进行语音识别采用详解
- 人工智能深度学习OpenAI baselines的采用方法
- OpenAI Function Calling特性示例详解