前言

ChatGPT出来时间也不短了，最近听同事们说在面试时候，很多公司都会问，有没有微调GPT的经历，因此觉得，这东西需要掌握住，正好公司自己搭建的平台，api秘钥也是免费用，就趁着这个机会，好好琢磨下这个东西。

大致分为以下几步走：
第一：总述 微调 的基本流程

第二：微调用的数据

第三：微调的一些特殊用法

第四：实际例子分析

一、啥叫微调

微调是指在训练好的机器学习模型上进行进一步调整和优化，以提高其性能和适应特定任务或领域的能力。在微调过程中，我们通常会使用一个较小的数据集来重新训练模型，这个数据集包含与目标任务或领域相关的样本。通过微调，模型可以学习到更加具体和精确的特征，从而提升其在特定任务上的表现。微调是深度学习和迁移学习中常用的技术之一，可以使得模型更好地适应实际应用场景。

二、为啥要微调

用过GPT网页版的，或者通过api直接调用的，都知道，它有不错的通用能力，但是一到特别领域就不行。

但是但是，微调后就有这写好处：

1. 个性化适应：通过微调，可以根据特定的需求和场景来训练ChatGPT，使其具有更加个性化、定制化的回答能力。可以引入特定领域的语料库或样本集，以便ChatGPT对该领域的问题和主题有更深入的了解。

2. 消除偏见：微调可以帮助消除模型中可能存在的偏见。通过重新训练模型并提供多样化的数据，可以减少模型在回答问题时对某些群体或观点的偏见，从而提高模型的公平性和中立性。

3. 控制输出：微调可以让更好地控制ChatGPT的输出内容。可以通过微调来约束模型生成的答案，确保其符合特定的要求，比如遵守特定的规则、避免敏感信息泄露等。

4. 提高准确性：微调可以显著提高ChatGPT的准确性和质量。通过使用与目标任务相关的数据进行微调，模型可以更好地理解和回答相关问题，提供更准确的答案

并且通过微调可让从 API 提供的模型中获得更多收益：

1. 比即时设计更高质量的结果
2. 能够训练比提示中更多的例子
3. 由于更短的提示而节省了代币
4. 更低的延迟请求
   GPT-3 已经在来自开放互联网的大量文本上进行了预训练。当给出仅包含几个示例的提示时，它通常可以凭直觉判断出您要执行的任务并生成合理的完成。这通常称为“小样本学习”。

微调通过训练比提示中更多的示例来改进小样本学习，让咱们在大量任务中取得更好的结果。对模型进行微调后，将不再需要在提示中提供示例。这样可以节省成本并实现更低延迟的请求。

总述就是，微调涉及以下步骤：

1. 准备和上传训练数据
2. 训练微调模型
3. 使用微调模型

三、不是所有模型都可以微调的

微调目前仅适用于以下基础模型：davinci、curie、babbage和ada。这些是原始模型，在训练后没有任何说明（例如text-davinci-003）。还可以继续微调微调模型以添加其他数据，而无需从头开始。

我只关注ChatGPT3.5系列：如图

四、总述微调的基本流程，以及涉及的主要函数，参数

1. 安装

这个是openai给的安装方法：

建议使用的 OpenAI 命令行界面 (CLI)。要安装这个，运行

pip install --upgrade openai

（以下说明适用于0.9.4及更高版本。此外，OpenAI CLI 需要 python 3。）

OPENAI_API_KEY通过将以下行添加到您的 shell 初始化脚本（例如 .bashrc、zshrc 等）或在微调命令之前的命令行中运行它来设置您的环境变量：

export OPENAI_API_KEY="<OPENAI_API_KEY>"

2. 准备训练数据

后面咱们专门说这个

3. openai.api_key = os.getenv() 进行一个说明

openai.api_key = os.getenv() 函数

import os
import openai# Load your API key from an environment variable or secret management service
openai.api_key = os.getenv("OPENAI_API_KEY")

这行代码的含义是将环境变量中存储的OpenAI API密钥赋值给openai.api_key变量。
这可以用于对OpenAI API进行身份验证，以便在使用API时向OpenAI发送请求。

os.getenv()：是Python标准库os中的一个函数，它用于获取操作系统环境变量的值。
"OPENAI_API_KEY"：是要获取的环境变量的名称，这里我们想要获取OpenAI的API密钥。
openai.api_key：是OpenAI提供的一个变量，用于存储API密钥。将os.getenv("OPENAI_API_KEY")的返回值赋值给它，
即可将API密钥保存在该变量中，方便后续使用。

4. 通过API 调用模型 常用函数

openai.Completion.create() 函数

response = openai.Completion.create(
model="text-davinci-003", 
prompt="Say this is a test", 
temperature=0, 
max_tokens=7)

openai.Completion.create()：是OpenAI提供的一个函数，用于创建文本生成的请求。
model="text-davinci-003"：指定了使用的模型。在这个例子中，模型被命名为"text-davinci-003"。模型名称通常表明了它所擅长的任务和能力。
prompt="Say this is a test"：是输入给模型的提示文本。在这个例子中，模型的生成将基于这个提示进行。
temperature=0：是控制文本生成的随机性的参数。较低的温度值（如0）会使生成结果更加确定性，较高的温度值（如1）会使生成结果更加随机。
max_tokens=7：指定了生成文本的最大长度。在这个例子中，生成的文本将不超过7个标记（tokens）。
通过调用openai.Completion.create()函数并传入相应的参数，可以向OpenAI API发送请求，并获得生成的文本结果。

5. 微调模型 常用函数

fine_tunes.create() 函数

fine_tunes.create: 这个函数用于创建一个微调任务。
主要参数：

-t <TRAIN_FILE_ID_OR_PATH>: 指定训练文件的标识符或路径，它包含了用于微调的数据集。
该参数，允许根据训练文件是本地存储还是上传到OpenAI API来指定文件的标识符或路径。
如果这个文件位于C:\path\to\train.txt，命令会是这样的：

-t C:\path\to\train.txt

另外，如果你已经将训练文件上传到了OpenAI API，并获得了一个文件标识符，你可以将这个标识符作为-t参数的值。
例如，如果文件标识符是file-abc123，命令会是这样的：

-t file-abc123

-m <BASE_MODEL>: 指定基础模型的选择，即预训练模型的名称或标识符。
-n <NUM_ITERATIONS>: 指定微调的迭代次数，即完成微调的总步骤数。
-b <BATCH_SIZE>: 指定每个微调步骤（iteration）的批量大小，即每次更新模型时一次处理的样本数量。
-e <EVALUATION_INTERVAL>: 指定模型在微调过程中进行评估的间隔，即多少个微调步骤后进行一次模型评估。
-s : 指定随机种子，以确保微调过程的可重复性。
-o <OUTPUT_DIR>: 指定输出目录，用于存储微调过程中生成的模型权重和其他相关文件。
通过使用这些参数，您可以指定微调所使用的训练数据、基础模型以及微调任务的其他相关参数。
执行fine_tunes.create函数后，OpenAI API将开始进行模型微调，并在指定的迭代次数内更新模型权重和优化参数，
最终生成一个经过个性化训练的模型。

openai.常用函数
openai.Completion.create(): 用于创建文本生成的请求。
openai.Davinci(models='davinci'): 用于选择Davinci模型。
openai.Gpt3(models='gpt-3.5-turbo'): 用于选择GPT-3.5 Turbo模型。
openai.ChatCompletion.create(): 用于创建对话式生成的请求。
openai.File.create(): 用于上传文件到OpenAI API中，并返回一个文件标识符。
openai.File.retrieve(): 用于从OpenAI API中检索已上传的文件。

6. OpenAI CLI 开始微调

--------------------------- 1. 创建微调模型---------------------------

使用 OpenAI CLI 开始微调工作：

openai api fine_tunes.create -t <TRAIN_FILE_ID_OR_PATH> -m <BASE_MODEL>'''
也可以给模型增加上名字最多 40 个字符的后缀'''
openai api fine_tunes.create -t test.jsonl -m ada --suffix "custom model name"

结果名称将是：

ada:ft-your-org:custom-model-name-2022-02-15-04-21-04

执行这行代码后，开始执行下面的操作…

1. 使用文件 API上传文件（或使用已经上传的文件）
2. 创建微调作业
3. 流式传输事件直到作业完成（这通常需要几分钟，但如果队列中有很多作业或您的数据集很大，则可能需要数小时）

注意：
成功创建微调任务后，
API将返回一个响应包含有关微调的信息，其中包括相应的模型ID。您可以从API响应中提取该模型ID，这个后面会需要使用

--------------------------- 2. 微调中断 恢复---------------------------

使用这行代码就行恢复…

openai api fine_tunes.follow -i <YOUR_FINE_TUNE_JOB_ID>

fine_tunes.follow: 这个函数用于跟踪模型微调任务的状态和进展。
主要参数：

-i <YOUR_FINE_TUNE_JOB_ID>: 指定模型微调任务的标识符，即您的微调的唯一ID。
通过使用fine_tunes.follow函数并提供相应的微调ID，您可以获取有关模型微调过程的实时状态更新。
这些状态更新可能包括每个迭代步骤的训练损失、验证指标、当前轮次等信息。通过跟踪微调任务的状态，
您可以了解模型微调的进展情况，并根据需要进行必要的监控和后续操作。

！！！请注意！！！，上述参数是一个示例，需要将<YOUR_FINE_TUNE_JOB_ID>替换为实际的模型微调作业ID。这个作业ID通常是在启动微调任务时由OpenAI API返回的。

--------------------------- 3. 微调中的其他操作---------------------------

除了创建微调，恢复微调外，还可以 列出现有微调、检索微调状态 或 取消微调。

1. 列出现有微调（有点类似 pip list） # List all created fine-tunes

openai api fine_tunes.list

2. 检索微调 # Retrieve the state of a fine-tune. The resulting object includes

# job status (which can be one of pending, running, succeeded, or failed)
# and other information
openai api fine_tunes.get -i <YOUR_FINE_TUNE_JOB_ID>

3. 取消微调任务 # Cancel a job

openai api fine_tunes.cancel -i <YOUR_FINE_TUNE_JOB_ID>

看到了吧，这里的 工作ID 其实就是上面创建微调模型的时候 返回的 ID

--------------------------- 4. 使用微调模型---------------------------

方式一：OpenAI 命令行界面：

openai api completions.create -m <FINE_TUNED_MODEL> -p <YOUR_PROMPT>

方式二：Python：

import openai
openai.Completion.create(model=FINE_TUNED_MODEL,prompt=YOUR_PROMPT)'''
这个函数上面有详细解释
'''

如果您使用了OpenAI API中的fine_tunes.create函数进行微调，则在成功创建微调任务后，
API将返回一个响应包含有关微调作业的信息，其中包括相应的模型ID。您可以从API响应中提取该模型ID，
并将其用作<FINE_TUNED_MODEL>参数的值。

--------------------------- 5. 删除微调模型---------------------------

方式一：OpenAI 命令行界面：

openai api models.delete -i <FINE_TUNED_MODEL>

方式二：Python：

import openai
openai.Model.delete(FINE_TUNED_MODEL)