ဒီသင်ခန်းစာကို OpenAI နှင့် Azure OpenAI မှ အဓိက အရင်းအမြစ်များကို အသုံးပြု၍ သင်္ချာနှင့် သင်ခန်းစာများအတွက် ကိုးကားထားသည်။ သင်၏ ကိုယ်တိုင်လေ့လာသင်ယူမှုများအတွက် အပြည့်အစုံမဟုတ်သော်လည်း အောက်ပါစာရင်းကို ဖော်ပြထားသည်။
| ခေါင်းစဉ်/လင့်ခ် | ဖော်ပြချက် |
|---|---|
| Fine-tuning with OpenAI Models | Fine-tuning သည် prompt ထဲသို့ ထည့်နိုင်သည့် နမူနာအရေအတွက်ထက် ပိုမိုများသော နမူနာများဖြင့် လေ့ကျင့်ခြင်းဖြင့် few-shot learning ကို တိုးတက်စေပြီး ကုန်ကျစရိတ်လျော့နည်းစေ၊ တုံ့ပြန်မှုအရည်အသွေး မြှင့်တင်ပေးပြီး တုံ့ပြန်မှုအချိန်လည်း လျော့နည်းစေသည်။ OpenAI မှ fine-tuning အကြောင်း အကျဉ်းချုပ်ကို ရယူပါ။ |
| What is Fine-Tuning with Azure OpenAI? | fine-tuning ဆိုတာဘာလဲ (အယူအဆ)၊ ဘာကြောင့် စဉ်းစားသင့်သလဲ (အကြောင်းပြချက်)၊ ဘယ်ဒေတာကို အသုံးပြုရမလဲ (လေ့ကျင့်မှု) နှင့် အရည်အသွေးကို မည်သို့တိုင်းတာရမည်ကို နားလည်ပါ။ |
| Customize a model with fine-tuning | Azure OpenAI Service သည် fine-tuning ဖြင့် သင့်ကိုယ်ပိုင် ဒေတာစုံစမ်းမှုများအတွက် မော်ဒယ်များကို ကိုက်ညီစေရန် ခွင့်ပြုသည်။ Azure AI Studio, Python SDK သို့မဟုတ် REST API ကို အသုံးပြု၍ fine-tuning လုပ်နည်း (လုပ်ငန်းစဉ်) ကို သင်ယူပါ။ |
| Recommendations for LLM fine-tuning | LLM များသည် အထူးသီးသန့် ဒိုမိန်းများ၊ တာဝန်များ သို့မဟုတ် ဒေတာစုံများတွင် ကောင်းစွာ လုပ်ဆောင်နိုင်ခြင်းမရှိနိုင်သလို မှားယွင်းသော သို့မဟုတ် မမှန်ကန်သော အဖြေများ ထုတ်ပေးနိုင်သည်။ ဘယ်အချိန်တွင် fine-tuning ကို စဉ်းစားသင့်သလဲ ဆိုတာကို သိရှိပါ။ |
| Continuous Fine Tuning | Continuous fine-tuning သည် ရှိပြီးသား fine-tuned မော်ဒယ်ကို အခြေခံမော်ဒယ်အဖြစ် ရွေးချယ်ပြီး နမူနာအသစ်များဖြင့် နောက်ထပ် fine-tuning ဆက်လက်လုပ်ဆောင်ခြင်း ဖြစ်သည်။ |
| Fine-tuning and function calling | မော်ဒယ်ကို function calling နမူနာများဖြင့် fine-tuning လုပ်ခြင်း သည် ပိုမိုတိကျပြီး တိကျမှန်ကန်သော အဖြေများ ထုတ်ပေးနိုင်စေပြီး တုံ့ပြန်မှုပုံစံတူညီမှုနှင့် ကုန်ကျစရိတ်လျော့နည်းမှုများကို ရရှိစေသည်။ |
| Fine-tuning Models: Azure OpenAI Guidance | Azure OpenAI တွင် မော်ဒယ်များကို ဘယ်လို fine-tuning လုပ်နိုင်သည်၊ မည်သည့်ဒေသများတွင် ရရှိနိုင်သည်၊ token ကန့်သတ်ချက်များနှင့် လေ့ကျင့်မှုဒေတာ သက်တမ်းကုန်ဆုံးချိန်များကို ဒီဇယားမှ ကြည့်ရှုနိုင်ပါသည်။ |
| To Fine Tune or Not To Fine Tune? That is the Question | ဒီ AI Show ၃၀ မိနစ်ကြာ အောက်တိုဘာ ၂၀၂၃ အပိုင်းတွင် fine-tuning ၏ အကျိုးကျေးဇူးများ၊ အားနည်းချက်များနှင့် လက်တွေ့အမြင်များကို ဆွေးနွေးထားပြီး ဆုံးဖြတ်ချက်ချရာတွင် အကူအညီဖြစ်စေပါသည်။ |
| Getting Started With LLM Fine-Tuning | ဒီ AI Playbook အရင်းအမြစ်သည် ဒေတာလိုအပ်ချက်များ၊ ဖော်မတ်ပြုလုပ်ခြင်း၊ hyperparameter fine-tuning နှင့် ကြုံတွေ့နိုင်သော စိန်ခေါ်မှုများ/ကန့်သတ်ချက်များကို လမ်းညွှန်ပေးသည်။ |
| Tutorial: Azure OpenAI GPT3.5 Turbo Fine-Tuning | နမူနာ fine-tuning ဒေတာစုံတစ်ခု ဖန်တီးခြင်း၊ fine-tuning အတွက် ပြင်ဆင်ခြင်း၊ fine-tuning အလုပ်တစ်ခု ဖန်တီးခြင်းနှင့် Azure ပေါ်တွင် fine-tuned မော်ဒယ်ကို တပ်ဆင်အသုံးပြုခြင်းကို သင်ယူပါ။ |
| Tutorial: Fine-tune a Llama 2 model in Azure AI Studio | Azure AI Studio သည် သင့်ကိုယ်ပိုင် ဒေတာစုံများအတွက် အကြီးစားဘာသာစကားမော်ဒယ်များကို low-code developer များအတွက် သင့်တော်သော UI-based workflow ဖြင့် ကိုက်ညီစေရန် ခွင့်ပြုသည်။ ဤနမူနာကို ကြည့်ရှုပါ။ |
| Tutorial:Fine-tune Hugging Face models for a single GPU on Azure | ဒီဆောင်းပါးတွင် Azure DataBricks နှင့် Hugging Face Trainer libraries ကို အသုံးပြု၍ Hugging Face transformers library ဖြင့် single GPU ပေါ်တွင် Hugging Face မော်ဒယ်ကို fine-tune လုပ်နည်းကို ဖော်ပြထားသည်။ |
| Training: Fine-tune a foundation model with Azure Machine Learning | Azure Machine Learning ၏ မော်ဒယ်စာရင်းတွင် သင့်တာဝန်အတွက် fine-tune လုပ်နိုင်သည့် အများအပြားသော open source မော်ဒယ်များ ပါဝင်သည်။ ဒီ module ကို AzureML Generative AI Learning Path မှ လေ့လာနိုင်ပါသည်။ |
| Tutorial: Azure OpenAI Fine-Tuning | Microsoft Azure ပေါ်တွင် W&B ကို အသုံးပြု၍ GPT-3.5 သို့မဟုတ် GPT-4 မော်ဒယ်များကို fine-tuning လုပ်ခြင်းသည် မော်ဒယ်စွမ်းဆောင်ရည်ကို အသေးစိတ် စောင့်ကြည့်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းများ ပြုလုပ်နိုင်စေသည်။ ဤလမ်းညွှန်သည် OpenAI Fine-Tuning လမ်းညွှန်မှ အယူအဆများကို Azure OpenAI အတွက် အထူးအဆင့်များနှင့် အဆင့်ဆင့် လုပ်ဆောင်ချက်များဖြင့် တိုးချဲ့ထားသည်။ |
ဤအပိုင်းတွင် သင်ခန်းစာတွင် မဖော်ပြနိုင်ခဲ့သည့် ထပ်ဆောင်း အရင်းအမြစ်များ ပါဝင်သည်။ အနာဂတ်သင်ခန်းစာများတွင် သို့မဟုတ် ဒုတိယအဆင့်တာဝန်အဖြစ် လေ့လာနိုင်ပါသည်။ ယခုအချိန်တွင် သင်၏ ကိုယ်ပိုင် ကျွမ်းကျင်မှုနှင့် အသိပညာ တိုးတက်စေရန် အသုံးပြုပါ။
| ခေါင်းစဉ်/လင့်ခ် | ဖော်ပြချက် |
|---|---|
| OpenAI Cookbook: Data preparation and analysis for chat model fine-tuning | ဤ notebook သည် chat model fine-tuning အတွက် အသုံးပြုမည့် chat dataset ကို ကြိုတင်ပြင်ဆင်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ကိရိယာတစ်ခုအဖြစ် အသုံးပြုသည်။ ဖော်မတ်အမှားများစစ်ဆေးပေးပြီး အခြေခံစာရင်းအင်းများနှင့် fine-tuning ကုန်ကျစရိတ်တွက်ချက်ရန် token အရေအတွက် ခန့်မှန်းချက်များ ပေးသည်။ ကြည့်ရှုရန်: Fine-tuning method for gpt-3.5-turbo။ |
| OpenAI Cookbook: Fine-Tuning for Retrieval Augmented Generation (RAG) with Qdrant | ဤ notebook ၏ ရည်ရွယ်ချက်မှာ Retrieval Augmented Generation (RAG) အတွက် OpenAI မော်ဒယ်များကို fine-tune လုပ်နည်းကို လမ်းညွှန်ပေးခြင်းဖြစ်သည်။ Qdrant နှင့် Few-Shot Learning ကို ပေါင်းစပ်အသုံးပြု၍ မော်ဒယ်စွမ်းဆောင်ရည် မြှင့်တင်ခြင်းနှင့် မှားယွင်းချက်များ လျော့နည်းစေရန် လုပ်ဆောင်ပါမည်။ |
| OpenAI Cookbook: Fine-tuning GPT with Weights & Biases | Weights & Biases (W&B) သည် AI developer များအတွက် မော်ဒယ်လေ့ကျင့်ခြင်း၊ fine-tuning နှင့် foundation မော်ဒယ်များကို အသုံးပြုနိုင်စေရန် ကိရိယာများပါဝင်သော ပလက်ဖောင်းဖြစ်သည်။ ပထမဦးဆုံး OpenAI Fine-Tuning လမ်းညွှန်ကို ဖတ်ရှုပြီးနောက် Cookbook လေ့ကျင့်ခန်းကို စမ်းသပ်ပါ။ |
| Community Tutorial Phinetuning 2.0 - fine-tuning for Small Language Models | Microsoft ၏ အသစ်ထွက်ရှိလာသော အသေးစားဘာသာစကားမော်ဒယ် Phi-2 ကို တွေ့ဆုံပါ။ အလွန်ထူးခြားပြီး စွမ်းအားကြီးမားသော်လည်း သေးငယ်သည်။ ဤသင်ခန်းစာသည် Phi-2 ကို fine-tune လုပ်နည်း၊ ထူးခြားသော ဒေတာစုံတစ်ခု ဖန်တီးနည်းနှင့် QLoRA အသုံးပြု၍ မော်ဒယ် fine-tune လုပ်နည်းကို လမ်းညွှန်ပေးပါသည်။ |
| Hugging Face Tutorial How to Fine-Tune LLMs in 2024 with Hugging Face | ၂၀၂၄ ခုနှစ်တွင် Hugging Face TRL, Transformers နှင့် datasets များကို အသုံးပြု၍ open LLM များကို fine-tune လုပ်နည်းကို ဤဘလော့ဂ်တွင် လမ်းညွှန်ထားသည်။ အသုံးပြုမှုအမျိုးအစား သတ်မှတ်ခြင်း၊ ဖွံ့ဖြိုးရေးပတ်ဝန်းကျင် ပြင်ဆင်ခြင်း၊ ဒေတာစုံ ပြင်ဆင်ခြင်း၊ မော်ဒယ် fine-tune လုပ်ခြင်း၊ စမ်းသပ်သုံးသပ်ခြင်းနှင့် ထုတ်လုပ်မှုသို့ တပ်ဆင်ခြင်းတို့ကို လုပ်ဆောင်ပါသည်။ |
| Hugging Face: AutoTrain Advanced | နောက်ဆုံးပေါ် စက်မှုသင်ယူမှု မော်ဒယ်များ ကို ပိုမိုလျင်မြန်ပြီး လွယ်ကူစွာ လေ့ကျင့်ခြင်းနှင့် တပ်ဆင်နိုင်စေရန် ဖန်တီးထားသည်။ Repo တွင် Colab အတွက် သင်ခန်းစာများနှင့် YouTube ဗီဒီယိုလမ်းညွှန်များ ပါဝင်ပြီး fine-tuning အတွက် အသုံးပြုနိုင်သည်။ နောက်ဆုံး local-first အပ်ဒိတ်ကို ထည့်သွင်းထားသည်။ AutoTrain စာရွက်စာတမ်း ကို ဖတ်ရှုပါ။ |
အကြောင်းကြားချက်
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားသော်လည်း အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် မေတ္တာရပ်ခံအပ်ပါသည်။ မူရင်းစာတမ်းကို မိမိဘာသာစကားဖြင့်သာ တရားဝင်အချက်အလက်အဖြစ် ယူဆသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်မှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုရာမှ ဖြစ်ပေါ်လာနိုင်သည့် နားလည်မှုမှားယွင်းမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။