微调GPT-4O MINI：逐步指南

>本教程展示了对社交媒体文本中的压力检测的经济高效的GPT-4O Mini大型语言模型的微调。 我们将利用OpenAI API和操场进行微调和评估，比较过程前后的性能。

>引入gpt-4o mini： GPT-4O Mini脱颖而出，是一种高度负担得起的通用LLM。 在MMLU基准测试中获得82％的得分，并在聊天偏好（LMSYS排行榜）中超过Claude 3.5十四行诗，可节省大量成本（比GPT-3.5 Turbo便宜60％），每百万个输入令牌和60美分的每百万分品代币。 它接受文本和图像输入，具有128K令牌上下文窗口，支持多达16K的输出令牌，其知识截止为2023年10月。由于GPT-4O令牌的兼容性，它与非英语文本的兼容性增加了其多功能性。 要更深入地了解GPT-4O Mini，请探索我们的博客文章：“什么是GPT-4O Mini？”>

设置OpenAI API：

>

创建一个OpenAI帐户。 微调会产生费用，因此在继续之前，请确保至少10美元。>

>从仪表板的“ API键”选项卡中生成一个OpenAI API秘密键。

1. >将API密钥配置为环境变量（此示例中使用了Datacamp的Datalab）。
>
2. 安装OpenAi Python软件包：
3. >
创建一个OpenAI客户端并使用示例提示进行测试。
4. %pip install openai

新的API？我们的“ GPT-4O API教程：开始使用OpenAI的API开始”提供了全面的介绍。 用于应力检测的微调GPT-4O mini：

我们将使用标记为“压力”或“无压力”的Reddit和Twitter帖子的Kaggle数据集微调GPT-4O Mini。

1。数据集创建：

加载并处理数据集（例如，Reddit Post DataSet的前200行）。

>仅保留“标题”和“标签”列。

>
• 映射数值标签（0，1）为“无压力”和“压力”。
>分为训练和验证集（80/20拆分）。
• >
>以JSONL格式保存两个集，确保每个条目都包含系统提示，用户查询（帖子标题）和“助手”响应（Label）。
• 2。数据集上传：
使用OpenAI客户端上传培训和验证JSONL文件。

3。微调作业启动：

>创建一个微调作业，指定文件ID，模型名称（gpt-4o-mini-2024-07-18）和超参数（例如，3个时代，批处理尺寸3，学习率乘数0.3）。 通过仪表板或API监视作业的状态。

>



>访问微型模型：>

>从API中检索微调的模型名称，并使用它通过API或OpenAI Playground生成预测。



模型评估：

>使用精度，分类报告和验证集中的混淆矩阵比较基本和微调模型。 自定义

函数会生成预测，predict>函数提供了性能指标。> evaluate

结论：

本教程提供了微调GPT-4O mini的实用指南，展示了其在提高文本分类准确性方面的有效性。 请记住要探索链接的资源以获取更多详细信息和替代方法。 对于免费的开源替代方案，请考虑我们的“微调Llama 3.2并在本地使用它”教程。

以上是微调GPT-4O MINI：逐步指南的详细内容。更多信息请关注PHP中文网其他相关文章！