Skip to main content

Fine-Tune Model

準備資料集

開始調整模型之前，您必須先建立用來調整模型的資料集。為獲得最佳效能，資料集內的範例必須具有高品質、多元且代表真實輸入和輸出的要素。

Tutorials格式
    資料集中包含的範例應符合您預期的實際工作環境流量。如果您的資料集含有特定格式、關鍵字、操作說明或資訊，則實際工作環境資料的格式應相同，並含有相同的指示。
    Fine-Tuning

    Llama-2
    例如，如果資料集中的範例包含 LLM"question:" on和 Google"context:"，則實際工作環境流量也應一併設定包含 Colab:"question:" A和 Step-by-Step"context:" Guide.的格式，且順序應與資料集範例中的順序相同。如果您排除結構定義，即使資料集的範例包含確切的問題，模型將無法辨識模式。
    |

    by
    在資料集中的每個範例中加入提示或前置碼，也有助於改善調整後模型的效能。請注意，如果資料集中包含提示或前置碼，那麼在推論時向已調整的模型發出提示時，也應包含該提示或前置碼。
    Gathnex

     |

    Medium

    Tools

    Unsloth

    Unsloth - Easily finetune & train LLMs

    Atlas

    Atlas by NOMIC - 資料集（非結構化資料）品質檢測服務

    Gemini API
    AnythingLLM

    具有 Chat/Fine-Tune/Multi-Model 多功能的平台

     

    Tutorials
      Fine-Tuning Llama-2 LLM on Google Colab: A Step-by-Step Guide. | by Gathnex | Medium

      Back to top