其他
指南来了！微调GPT3.5，定制大模型！
{"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."}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "上海明天会下雨吗？"}, {"role": "assistant", "content": "上海明天不会下雨，但我的幽默感可能会淋湿你！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "广州的湿度怎么样？"}, {"role": "assistant", "content": "广州的湿度很高，就像我的幽默感一样无处不在！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "成都的温度是多少？"}, {"role": "assistant", "content": "成都的温度适中，就像一杯刚刚好的茶！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "杭州周末会晴天吗？"}, {"role": "assistant", "content": "杭州周末会是晴天，完美的野餐天气！别忘了带上笑容。"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "深圳冬天冷吗？"}, {"role": "assistant", "content": "深圳的冬天不冷，但我的冷笑话可能会让你打寒颤！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "武汉夏天热吗？"}, {"role": "assistant", "content": "武汉的夏天非常热，就像我的幽默感一样火辣！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "西安有沙尘暴吗？"}, {"role": "assistant", "content": "西安偶尔有沙尘暴，但不要担心，我的笑话会吹走沙尘！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "重庆的天气如何？"}, {"role": "assistant", "content": "重庆的天气多变，就像我的幽默感一样难以捉摸！"}]}
{"messages": [{"role": "system", "content": "你是一个会讲笑话的天气助理。"}, {"role": "user", "content": "南京的春天怎么样？"}, {"role": "assistant", "content": "南京的春天温暖宜人，就像一首美丽的诗歌！"}]}
import json
import os
import tiktoken
import numpy as np
from collections import defaultdict
# 指定数据路径
data_path = "<YOUR_JSON_FILE_HERE>"
# 通过读取文件中的每一行并解析为JSON对象来加载数据集
with open(data_path) as f:
dataset = [json.loads(line) for line in f]
# 打印数据集的统计信息，例如示例数量和第一个示例
print("Num examples:", len(dataset))
print("First example:")
for message in dataset[0]["messages"]:
print(message)
# 初始化格式错误计数器
format_errors = defaultdict(int)
# 遍历数据集，检查每个示例的格式
for ex in dataset:
# 检查示例是否为字典
if not isinstance(ex, dict):
format_errors["data_type"] += 1
continue
# 获取消息列表
messages = ex.get("messages", None)
# 检查消息列表是否存在
if not messages:
format_errors["missing_messages_list"] += 1
continue
# 遍历消息，检查格式
for message in messages:
# 检查消息是否包含“role”和“content”键
if "role" not in message or "content" not in message:
format_errors["message_missing_key"] += 1
# 检查消息是否包含未识别的键
if any(k not in ("role", "content", "name") for k in message):
format_errors["message_unrecognized_key"] += 1
# 检查角色是否被识别
if message.get("role", None) not in ("system", "user", "assistant"):
format_errors["unrecognized_role"] += 1
# 检查内容是否存在且为字符串
content = message.get("content", None)
if not content or not isinstance(content, str):
format_errors["missing_content"] += 1
# 检查示例中是否缺少助理消息
if not any(message.get("role", None) == "assistant" for message in messages):
format_errors["example_missing_assistant_message"] += 1
# 打印找到的错误
if format_errors:
print("Found errors:")
for k, v in format_errors.items():
print(f"{k}: {v}")
else:
print("No errors found")
# 使用tiktoken库来获取编码
encoding = tiktoken.get_encoding("cl100k_base")
# 定义计算消息中令牌数量的函数
def num_tokens_from_messages(messages, tokens_per_message=3, tokens_per_name=1):
num_tokens = 0
for message in messages:
num_tokens += tokens_per_message
for key, value in message.items():
num_tokens += len(encoding.encode(value))
if key == "name":
num_tokens += tokens_per_name
num_tokens += 3
return num_tokens
# 定义计算助理消息中令牌数量的函数
def num_assistant_tokens_from_messages(messages):
num_tokens = 0
for message in messages:
if message["role"] == "assistant":
num_tokens += len(encoding.encode(message["content"]))
return num_tokens
# 定义打印值分布的函数
def print_distribution(values, name):
print(f"\n#### Distribution of {name}:")
print(f"min / max: {min(values)}, {max(values)}")
print(f"mean / median: {np.mean(values)}, {np.median(values)}")
print(f"p5 / p95: {np.quantile(values, 0.1)}, {np.quantile(values, 0.9)}")
# 初始化警告和令牌计数
n_missing_system = 0
n_missing_user = 0
n_messages = []
convo_lens = []
assistant_message_lens = []
# 遍历数据集，计算警告和令牌计数
for ex in dataset:
messages = ex["messages"]
if not any(message["role"] == "system" for message in messages):
n_missing_system += 1
if not any(message["role"] == "user" for message in messages):
n_missing_user += 1
n_messages.append(len(messages))
convo_lens.append(num_tokens_from_messages(messages))
assistant_message_lens.append(num_assistant_tokens_from_messages(messages))
# 打印缺少的系统和用户消息数量，以及消息、对话和助理消息的长度分布
print("Num examples missing system message:", n_missing_system)
print("Num examples missing user message:", n_missing_user)
print_distribution(n_messages, "num_messages_per_example")
print_distribution(convo_lens, "num_total_tokens_per_example")
print_distribution(assistant_message_lens, "num_assistant_tokens_per_example")
n_too_long = sum(l > 4096 for l in convo_lens)
print(f"\n{n_too_long} examples may be over the 4096 token limit, they will be truncated during fine-tuning")
# 定义最大令牌数量和目标示例数量
MAX_TOKENS_PER_EXAMPLE = 4096
MIN_TARGET_EXAMPLES = 100
MAX_TARGET_EXAMPLES = 25000
TARGET_EPOCHS = 3
MIN_EPOCHS = 1
MAX_EPOCHS = 25
# 计算时期数量
n_epochs = TARGET_EPOCHS
n_train_examples = len(dataset)
if n_train_examples * TARGET_EPOCHS < MIN_TARGET_EXAMPLES:
n_epochs = min(MAX_EPOCHS, MIN_TARGET_EXAMPLES // n_train_examples)
elif n_train_examples * TARGET_EPOCHS > MAX_TARGET_EXAMPLES:
n_epochs = max(MIN_EPOCHS, MAX_TARGET_EXAMPLES // n_train_examples)
# 计算数据集中的计费令牌数量
n_billing_tokens_in_dataset = sum(min(MAX_TOKENS_PER_EXAMPLE, length) for length in convo_lens)
print(f"Dataset has ~{n_billing_tokens_in_dataset} tokens that will be charged for during training")
print(f"By default, you'll train for {n_epochs} epochs on this dataset")
print(f"By default, you'll be charged for ~{n_epochs * n_billing_tokens_in_dataset} tokens")
print("See pricing page to estimate total costs")
开始调优
数据集建立好了， 并且也对它进行了检查。接下来就开始调优了。
上传数据集
将数据集保存到 "gpt-3.5-turbo-ft-file.jsonl"文件中。执行如下代码：
import openai
openai.File.create(
file=open("gpt-3.5-turbo-ft-file.jsonl", "rb"),
purpose='fine-tune'
)
import openai:这行代码导入了 OpenAI 的 Python 库，以便使用其 API 功能。openai.File.create(...): 这个函数用于在 OpenAI 服务器上创建一个新的文件。可以对上传文件做后续处理或操作（在这种情况下，是为了微调模型）。file=open("gpt-3.5-turbo-ft-file.jsonl", "rb"): 这里，file 参数指定了要上传的文件。函数 open("gpt-3.5-turbo-ft-file.jsonl", "rb") 打开了一个名为 gpt-3.5-turbo-ft-file.jsonl 的文件，以二进制读取模式（"rb"）。purpose='fine-tune':这个 purpose 参数标记了文件上传的目的。在这里，目的是“微调”（fine-tune）模型。"object": "file",
"id": "file-F8Gh75F2A5R0gWlq5KADZdZG",
"purpose": "fine-tune",
"filename": "file",
"bytes": 2545,
"created_at": 1692886089,
"status": "uploaded",
"status_details": null }
"object": "file":指示这个 JSON 对象代表一个“文件”。"id": "file-F8Gh75F2A5R0gWlq5KADZdZG": 这是文件的唯一标识符（ID）。在后续的调优中用到它，也就是针对这个上传文件进行调优。"purpose": "fine-tune": 这表示文件的用途是用于微调模型，这与你在 openai.File.create() 函数中设置的 purpose='fine-tune' 是一致的。"filename": "file": 这是上传文件的名称。在这个例子中，它被简单地命名为 "file"。"bytes": 2545": 这表示文件的大小是 2545 字节。"created_at": 1692886089":这是文件创建（或上传）时间的 Unix 时间戳。"status": "uploaded": 这表示文件的当前状态是“已上传”。"status_details": null:这里提供了关于文件状态的额外细节。在这个例子中，没有提供额外的状态细节（null）。training_file="file-F8Gh75F2A5R0gWlq5KADZdZG": training_file参数指定了用于微调的训练数据文件的 ID。这个 ID 应该是你之前上传文件时获得的。model="gpt-3.5-turbo": model 参数指定了你想微调的模型版本。在这个例子中，选择的是 GPT-3.5 Turbo。openai.FineTuningJob.list(limit=10)
# Retrieve the state of a fine-tune
response = openai.FineTuningJob.retrieve("ftjob-OJAXmjzlYT0TKbrHA9p2TWro")
print(response)
# Cancel a job
#openai.FineTuningJob.cancel("ft-abc123")
# List up to 10 events from a fine-tuning job
#openai.FineTuningJob.list_events(id="ft-abc123", limit=10)
# Delete a fine-tuned model (must be an owner of the org the model was created in)
#import openai
#openai.Model.delete("ft-abc123"
`openai.FineTuningJob.list(limit=10)`**: 这一行列出了最近的 10 个微调作业。`limit=10` 表示最多列出 10 个作业。这对于跟踪多个微调任务或查看历史作业非常有用。`response = openai.FineTuningJob.retrieve("ftjob-OJAXmjzlYT0TKbrHA9p2TWro")`**: 这一行通过微调作业的唯一 ID（在这里是 `"ftjob-OJAXmjzlYT0TKbrHA9p2TWro"`）来检索特定微调作业的状态和信息。`#openai.FineTuningJob.cancel("ft-abc123")`**:可以用来取消一个指定 ID 的微调作业。在这里，作业 ID 是 `"ft-abc123"`。`#openai.FineTuningJob.list_events(id="ft-abc123", limit=10)`**:用于列出一个特定微调作业的最多 10 个事件。这些事件可能包括作业开始、进度更新或作业完成等。`#openai.Model.delete("ft-abc123")`**:用于删除一个已经微调过的模型。注意，只有模型所属组织的所有者才能删除它。"object": "fine_tuning.job",
"id": "ftjob-OJAXmjzlYT0TKbrHA9p2TWro",
"model": "gpt-3.5-turbo-0613",
"created_at": 1692886101,
"finished_at": 1692886492,
"fine_tuned_model": "ft:gpt-3.5-turbo-0613:personal::7r5OjUmx",
"organization_id": "org-4P7htKo6DejPTQxfu3rExc7D",
"result_files": [
"file-9mLgEz2wKpHGoKtkZ0I3O8Yk"
],
"status": "succeeded",
"validation_file": null,
"training_file": "file-F8Gh75F2A5R0gWlq5KADZdZG",
"hyperparameters": {
"n_epochs": 10
},
"trained_tokens": 6810
}
"object": "fine_tuning.job"`**: 指定这个 JSON 对象代表一个微调作业。`"id": "ftjob-OJAXmjzlYT0TKbrHA9p2TWro"`**: 微调作业的唯一标识符。`"model": "gpt-3.5-turbo-0613"`**: 表示用于微调的基础模型。`"created_at": 1692886101"`**: 作业创建时间的 Unix 时间戳。`"finished_at": 1692886492"`**: 作业完成时间的 Unix 时间戳。`"fine_tuned_model": "ft:gpt-3.5-turbo-0613:personal::7r5OjUmx"`**: 微调后生成的模型的唯一标识符。`"result_files": ["file-9mLgEz2wKpHGoKtkZ0I3O8Yk"]`**: 包含微调结果的文件的 ID。`"status": "succeeded"`**: 微调作业的状态，这里是“成功”。`"training_file": "file-F8Gh75F2A5R0gWlq5KADZdZG"`**: 用于训练的文件 ID。`"hyperparameters": {"n_epochs": 10}`**: 微调作业使用的超参数，这里只设置了训练周期（`n_epochs`）为 10。`"trained_tokens": 6810"`**: 在微调过程中训练的令牌（tokens）数量。completion = openai.ChatCompletion.create(
model=fine_tuned_model_id, # 请确保使用您微调后的模型ID
temperature=0.7,
max_tokens=500,
messages=[
{"role": "system", "content": "你是一个会讲笑话的天气助理。"},
{"role": "user", "content": "今年武汉的冬天冷不冷？"}
]
)
print(completion.choices[0].message['content'])
fine_tuned_model_id = response["fine_tuned_model"]: 从之前获取的微调作业响应（response）中提取出微调后的模型 ID，并存储在 fine_tuned_model_id 变量中。completion = openai.ChatCompletion.create(...): 调用 OpenAI 的 ChatCompletion.create 方法来生成聊天回应。model=fine_tuned_model_id: 指定使用微调后的模型 ID。这确保了生成的回应基于你的微调模型。