Crie um ajuste fino

POST

https://api.openai.com/v1/fine-tunes

Gerencie trabalhos de ajuste fino para adaptar um modelo aos seus dados de treinamento específicos.

Guia relacionado: modelos de ajuste fino

Cria um trabalho que ajusta um modelo especificado a partir de um determinado conjunto de dados.

A resposta inclui detalhes do trabalho enfileirado, incluindo o status do trabalho e o nome dos modelos ajustados depois de concluídos.

Saiba mais sobre o ajuste fino

Request Example

Shell

JavaScript

Java

Swift

curl --location --request POST 'https://api.openai.com/v1/fine-tunes' \
--header 'Authorization: Bearer ' \
--header 'Content-Type: application/json' \
--data-raw '{
  "training_file": "text-similarity-babbage-001"
}'

Response Example

{
  "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807352,
  "events": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    }
  ],
  "fine_tuned_model": null,
  "hyperparams": {
    "batch_size": 4,
    "learning_rate_multiplier": 0.1,
    "n_epochs": 4,
    "prompt_loss_weight": 0.1
  },
  "organization_id": "org-...",
  "result_files": [],
  "status": "pending",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807352
}

Request

Authorization

Provide your bearer token in the

Authorization

header when making requests to protected resources.

Example:

Authorization: Bearer ********************

Header Params

Authorization

string

optional

Example:

Bearer {{YOUR_API_KEY}}

Body Params application/json

training_file

string

required

O ID de um arquivo carregado que contém dados de treinamento. Consulte fazer upload de arquivo para saber como fazer upload de um arquivo. Seu conjunto de dados deve ser formatado como um arquivo JSONL, onde cada exemplo de treinamento é um objeto JSON com as chaves "prompt" e "completion". Além disso, você deve enviar seu arquivo com o objetivo fine-tune . Consulte o guia de ajuste fino para obter mais detalhes.

validation_file

string

optional

O ID de um arquivo carregado que contém dados de validação. Se você fornecer esse arquivo, os dados serão usados para gerar métricas de validação periodicamente durante o ajuste fino. Essas métricas podem ser visualizadas no arquivo de resultados de ajuste fino . Seus dados de treinamento e validação devem ser mutuamente exclusivos. Seu conjunto de dados deve ser formatado como um arquivo JSONL, onde cada exemplo de validação é um objeto JSON com as chaves "prompt" e "completion". Além disso, você deve enviar seu arquivo com o objetivo fine-tune . Consulte o guia de ajuste fino para obter mais detalhes.

model

string

optional

O nome do modelo base a ser ajustado. Você pode selecionar "ada", "babbage", "curie", "davinci" ou um modelo ajustado criado após 21/04/2022. Para saber mais sobre esses modelos, consulte a documentação de Modelos.

n_epochs

integer

optional

O número de épocas para treinar o modelo. Uma época refere-se a um ciclo completo no conjunto de dados de treinamento.

batch_size

integer

optional

O tamanho do lote a ser usado para treinamento. O tamanho do lote é o número de exemplos de treinamento usados para treinar uma única passagem para frente e para trás. Por padrão, o tamanho do lote será configurado dinamicamente para ser aproximadamente 0,2% do número de exemplos no conjunto de treinamento, limitado a 256. Em geral, descobrimos que tamanhos de lote maiores tendem a funcionar melhor para conjuntos de dados maiores.

learning_rate_multiplier

number

optional

O multiplicador da taxa de aprendizagem a ser usado para treinamento. A taxa de aprendizado de ajuste fino é a taxa de aprendizado original usada para pré-treinamento multiplicada por esse valor. Por padrão, o multiplicador da taxa de aprendizagem é 0,05, 0,1 ou 0,2 dependendo do batch_size final (taxas de aprendizagem maiores tendem a ter melhor desempenho com tamanhos de lote maiores). Recomendamos experimentar valores na faixa de 0,02 a 0,2 para ver o que produz os melhores resultados.

prompt_loss_weight

number

optional

O peso a ser usado para perda nos tokens de prompt. Isso controla o quanto o modelo tenta aprender a gerar o prompt (em comparação com a conclusão, que sempre tem peso 1,0) e pode adicionar um efeito estabilizador ao treinamento quando as conclusões são curtas. Se os prompts forem extremamente longos (em relação às conclusões), pode fazer sentido reduzir esse peso para evitar priorizar demais o aprendizado do prompt.

compute_classification_metrics

boolean

optional

Se definido, calculamos métricas específicas da classificação, como precisão e pontuação F-1, usando a validação definida no final de cada época. Essas métricas podem ser visualizadas no arquivo de resultados . Para calcular métricas de classificação, você deve fornecer um validation_file . Além disso, você deve especificar classification_n_classes para classificação multiclasse ou classification_positive_class para classificação binária.

classification_n_classes

integer

optional

O número de classes em uma tarefa de classificação. Este parâmetro é necessário para classificação multiclasse.

classification_positive_class

string

optional

A classe positiva na classificação binária. Este parâmetro é necessário para gerar métricas de precisão, recall e F1 ao fazer classificação binária.

classification_betas

array[string]

optional

Se isso for fornecido, calculamos as pontuações F-beta nos valores beta especificados. A pontuação F-beta é uma generalização da pontuação F-1. Isso é usado apenas para classificação binária. Com um beta de 1 (ou seja, a pontuação F-1), a precisão e a recuperação recebem o mesmo peso. Uma pontuação beta maior dá mais peso ao recall e menos à precisão. Uma pontuação beta menor dá mais peso à precisão e menos ao recall.

suffix

string | null

optional

Uma sequência de até 40 caracteres que será adicionada ao nome do modelo ajustado. Por exemplo, um suffix de "nome do modelo personalizado" produziria um nome de modelo como ada:ft-your-org:custom-model-name-2022-02-15-04-21-04 .

Examples

Responses

🟢200成功

application/json

Body

string

required

object

string

required

model

string

required

created_at

integer

required

events

array [object {4}]

required

object

string

optional

created_at

integer

optional

level

string

optional

message

string

optional

fine_tuned_model

null

required

hyperparams

object

required

batch_size

integer

required

learning_rate_multiplier

number

required

n_epochs

integer

required

prompt_loss_weight

number

required

organization_id

string

required

result_files

array[string]

required

status

string

required

validation_files

array[string]

required

training_files

array [object {6}]

required

string

optional

object

string

optional

bytes

integer

optional

created_at

integer

optional

filename

string

optional

purpose

string

optional

updated_at

integer

required

Criar conclusão

List fine-tunes