微調GPT-4O MINI：逐步指南

>本教程展示了對社交媒體文本中的壓力檢測的經濟高效的GPT-4O Mini大型語言模型的微調。 我們將利用OpenAI API和操場進行微調和評估，比較過程前後的性能。

>引入gpt-4o mini： GPT-4O Mini脫穎而出，是一種高度負擔得起的通用LLM。 在MMLU基準測試中獲得82％的得分，並在聊天偏好（LMSYS排行榜）中超過Claude 3.5十四行詩，可節省大量成本（比GPT-3.5 Turbo便宜60％），每百萬個輸入令牌和60美分的每百萬分品代幣。 它接受文本和圖像輸入，具有128K令牌上下文窗口，支持多達16K的輸出令牌，其知識截止為2023年10月。由於GPT-4O令牌的兼容性，它與非英語文本的兼容性增加了其多功能性。 要更深入地了解GPT-4O Mini，請探索我們的博客文章：“什麼是GPT-4O Mini？”>

設置OpenAI API：

>

創建一個OpenAI帳戶。 微調會產生費用，因此在繼續之前，請確保至少10美元。 >

>從儀表板的“ API鍵”選項卡中生成一個OpenAI API秘密鍵。

1. >將API密鑰配置為環境變量（此示例中使用了Datacamp的Datalab）。
>
2. 安裝OpenAi Python軟件包：
3. >
創建一個OpenAI客戶端並使用示例提示進行測試。
4. %pip install openai

新的API？我們的“ GPT-4O API教程：開始使用OpenAI的API開始”提供了全面的介紹。 用於應力檢測的微調GPT-4O mini：

我們將使用標記為“壓力”或“無壓力”的Reddit和Twitter帖子的Kaggle數據集微調GPT-4O Mini。

1。數據集創建：

加載並處理數據集（例如，Reddit Post DataSet的前200行）。

>僅保留“標題”和“標籤”列。

>
• 映射數值標籤（0，1）為“無壓力”和“壓力”。
>分為訓練和驗證集（80/20拆分）。
• >
>以JSONL格式保存兩個集，確保每個條目都包含系統提示，用戶查詢（帖子標題）和“助手”響應（Label）。
• 2。數據集上傳：
使用OpenAI客戶端上傳培訓和驗證JSONL文件。

3。微調作業啟動：

>創建一個微調作業，指定文件ID，模型名稱（gpt-4o-mini-2024-07-18）和超參數（例如，3個時代，批處理尺寸3，學習率乘數0.3）。 通過儀表板或API監視作業的狀態。

>



>訪問微型模型：>

>從API中檢索微調的模型名稱，並使用它通過API或OpenAI Playground生成預測。



模型評估：

>使用精度，分類報告和驗證集中的混淆矩陣比較基本和微調模型。 自定義

函數會生成預測，predict>函數提供了性能指標。 > evaluate

結論：

本教程提供了微調GPT-4O mini的實用指南，展示了其在提高文本分類準確性方面的有效性。 請記住要探索鏈接的資源以獲取更多詳細信息和替代方法。 對於免費的開源替代方案，請考慮我們的“微調Llama 3.2並在本地使用它”教程。

以上是微調GPT-4O MINI：逐步指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！