บทเรียนนี้สร้างขึ้นโดยใช้แหล่งข้อมูลหลักจาก OpenAI และ Azure OpenAI เป็นข้อมูลอ้างอิงสำหรับคำศัพท์และบทแนะนำ นี่คือรายชื่อที่ไม่ครบถ้วนสำหรับการเรียนรู้ด้วยตนเองของคุณ
| ชื่อเรื่อง/ลิงก์ | คำอธิบาย |
|---|---|
| Fine-tuning with OpenAI Models | การปรับแต่งแบบละเอียดช่วยพัฒนาการเรียนรู้แบบ few-shot โดยการฝึกกับตัวอย่างจำนวนมากกว่าที่ใส่ใน prompt ได้ ช่วยประหยัดค่าใช้จ่าย ปรับปรุงคุณภาพการตอบกลับ และลดความหน่วงของคำขอ ดูภาพรวมของการปรับแต่งแบบละเอียดจาก OpenAI |
| What is Fine-Tuning with Azure OpenAI? | ทำความเข้าใจ ว่าการปรับแต่งแบบละเอียดคืออะไร (แนวคิด) ทำไมคุณควรสนใจ (ปัญหาที่กระตุ้น) ข้อมูลที่ใช้ (การฝึก) และการวัดคุณภาพ |
| Customize a model with fine-tuning | บริการ Azure OpenAI ช่วยให้คุณปรับแต่งโมเดลให้เหมาะกับชุดข้อมูลส่วนตัวของคุณโดยใช้การปรับแต่งแบบละเอียด เรียนรู้ วิธีการปรับแต่ง (กระบวนการ) เลือกโมเดลโดยใช้ Azure AI Studio, Python SDK หรือ REST API |
| Recommendations for LLM fine-tuning | LLM อาจทำงานได้ไม่ดีในโดเมน งาน หรือชุดข้อมูลเฉพาะ หรืออาจสร้างผลลัพธ์ที่ไม่ถูกต้องหรือทำให้เข้าใจผิด เมื่อใดควรพิจารณาการปรับแต่งแบบละเอียด เป็นทางเลือกแก้ไขปัญหานี้ |
| Continuous Fine Tuning | การปรับแต่งแบบละเอียดอย่างต่อเนื่องคือกระบวนการทำซ้ำโดยเลือกโมเดลที่ผ่านการปรับแต่งแล้วเป็นโมเดลฐาน และ ปรับแต่งเพิ่มเติม ด้วยชุดตัวอย่างฝึกใหม่ |
| Fine-tuning and function calling | การปรับแต่งโมเดลของคุณ ด้วยตัวอย่างการเรียกฟังก์ชัน สามารถช่วยปรับปรุงผลลัพธ์ของโมเดลให้แม่นยำและสม่ำเสมอมากขึ้น - ด้วยการตอบกลับที่มีรูปแบบคล้ายกันและช่วยประหยัดค่าใช้จ่าย |
| Fine-tuning Models: Azure OpenAI Guidance | ดูตารางนี้เพื่อเข้าใจ ว่าโมเดลใดบ้างที่สามารถปรับแต่งได้ ใน Azure OpenAI และในภูมิภาคใดบ้างที่มีให้บริการ ตรวจสอบขีดจำกัดโทเค็นและวันหมดอายุของข้อมูลฝึกหากจำเป็น |
| To Fine Tune or Not To Fine Tune? That is the Question | ตอนนี้ความยาว 30 นาที ตุลาคม 2023 ของ AI Show พูดถึงข้อดี ข้อเสีย และข้อมูลเชิงลึกที่ช่วยให้คุณตัดสินใจเรื่องนี้ได้ |
| Getting Started With LLM Fine-Tuning | แหล่งข้อมูล AI Playbook นี้จะพาคุณผ่านความต้องการข้อมูล การจัดรูปแบบ การปรับแต่งไฮเปอร์พารามิเตอร์ และความท้าทาย/ข้อจำกัดที่ควรรู้ |
| Tutorial: Azure OpenAI GPT3.5 Turbo Fine-Tuning | เรียนรู้วิธีสร้างชุดข้อมูลตัวอย่างสำหรับการปรับแต่งแบบละเอียด เตรียมตัวสำหรับการปรับแต่ง สร้างงานปรับแต่ง และนำโมเดลที่ปรับแต่งแล้วไปใช้งานบน Azure |
| Tutorial: Fine-tune a Llama 2 model in Azure AI Studio | Azure AI Studio ช่วยให้คุณปรับแต่งโมเดลภาษาขนาดใหญ่ให้เหมาะกับชุดข้อมูลส่วนตัว โดยใช้กระบวนการผ่าน UI ที่เหมาะกับนักพัฒนาที่ไม่เน้นโค้ดมาก ดูตัวอย่างนี้ได้ |
| Tutorial:Fine-tune Hugging Face models for a single GPU on Azure | บทความนี้อธิบายวิธีปรับแต่งโมเดล Hugging Face ด้วยไลบรารี transformers บน GPU เดียว โดยใช้ Azure DataBricks และไลบรารี Hugging Face Trainer |
| Training: Fine-tune a foundation model with Azure Machine Learning | แคตตาล็อกโมเดลใน Azure Machine Learning มีโมเดลโอเพนซอร์สมากมายที่คุณสามารถปรับแต่งให้เหมาะกับงานเฉพาะของคุณ ลองทำโมดูลนี้ซึ่งเป็นส่วนหนึ่งของ เส้นทางการเรียนรู้ AzureML Generative AI |
| Tutorial: Azure OpenAI Fine-Tuning | การปรับแต่ง GPT-3.5 หรือ GPT-4 บน Microsoft Azure ด้วย W&B ช่วยให้ติดตามและวิเคราะห์ประสิทธิภาพของโมเดลได้อย่างละเอียด คู่มือนี้ขยายแนวคิดจากคู่มือ OpenAI Fine-Tuning ด้วยขั้นตอนและฟีเจอร์เฉพาะสำหรับ Azure OpenAI |
ส่วนนี้รวบรวมแหล่งข้อมูลเพิ่มเติมที่น่าสนใจแต่เราไม่มีเวลาครอบคลุมในบทเรียนนี้ อาจจะถูกนำมาใช้ในบทเรียนอนาคต หรือเป็นตัวเลือกงานมอบหมายรองในภายหลัง ตอนนี้ใช้แหล่งข้อมูลเหล่านี้เพื่อสร้างความเชี่ยวชาญและความรู้ของคุณเองในหัวข้อนี้
| ชื่อเรื่อง/ลิงก์ | คำอธิบาย |
|---|---|
| OpenAI Cookbook: การเตรียมข้อมูลและวิเคราะห์สำหรับการปรับแต่งโมเดลแชท | โน้ตบุ๊กนี้เป็นเครื่องมือสำหรับเตรียมข้อมูลและวิเคราะห์ชุดข้อมูลแชทที่ใช้สำหรับการปรับแต่งโมเดลแชท ตรวจสอบข้อผิดพลาดของรูปแบบ ให้สถิติพื้นฐาน และประมาณจำนวนโทเค็นเพื่อคำนวณค่าใช้จ่ายในการปรับแต่ง ดู: วิธีการปรับแต่งสำหรับ gpt-3.5-turbo |
| OpenAI Cookbook: การปรับแต่งสำหรับ Retrieval Augmented Generation (RAG) ด้วย Qdrant | โน้ตบุ๊กนี้มีตัวอย่างครบถ้วนของการปรับแต่งโมเดล OpenAI สำหรับ Retrieval Augmented Generation (RAG) โดยจะรวมการใช้งาน Qdrant และ Few-Shot Learning เพื่อเพิ่มประสิทธิภาพโมเดลและลดการสร้างข้อมูลเท็จ |
| OpenAI Cookbook: การปรับแต่ง GPT ด้วย Weights & Biases | Weights & Biases (W&B) เป็นแพลตฟอร์มนักพัฒนา AI ที่มีเครื่องมือสำหรับฝึกโมเดล ปรับแต่งโมเดล และใช้โมเดลพื้นฐาน อ่านคู่มือ OpenAI Fine-Tuning ก่อน แล้วลองทำแบบฝึกหัดใน Cookbook |
| Community Tutorial Phinetuning 2.0 - การปรับแต่งสำหรับโมเดลภาษาเล็ก | พบกับ Phi-2 โมเดลขนาดเล็กใหม่ของ Microsoft ที่ทรงพลังและกะทัดรัด บทแนะนำนี้จะพาคุณผ่านการปรับแต่ง Phi-2 แสดงวิธีสร้างชุดข้อมูลเฉพาะและปรับแต่งโมเดลโดยใช้ QLoRA |
| Hugging Face Tutorial วิธีปรับแต่ง LLMs ในปี 2024 ด้วย Hugging Face | บล็อกโพสต์นี้แนะนำวิธีปรับแต่ง LLMs แบบเปิดโดยใช้ Hugging Face TRL, Transformers และ datasets ในปี 2024 คุณจะกำหนดกรณีใช้งาน ตั้งค่าสภาพแวดล้อมพัฒนา เตรียมชุดข้อมูล ปรับแต่งโมเดล ทดสอบ-ประเมินผล และนำไปใช้งานจริง |
| Hugging Face: AutoTrain Advanced | ช่วยให้การฝึกและนำโมเดลแมชชีนเลิร์นนิงระดับสูงไปใช้งานเร็วและง่ายขึ้น state-of-the-art machine learning models รีโปนี้มีบทแนะนำที่ใช้งานง่ายบน Colab พร้อมวิดีโอแนะนำบน YouTube สำหรับการปรับแต่ง สะท้อนการอัปเดต local-first ล่าสุด อ่านเอกสาร AutoTrain |
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้