AI說書 - 從0開始 - 236 | 微調 GPT 模型任務狀態查詢

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

• 微調 GPT 模型引言：AI說書 - 從0開始 - 229 | 微調 GPT 模型引言
• 微調 GPT 模型的前置步驟：AI說書 - 從0開始 - 230 | 微調 GPT 模型的前置步驟
• 微調 GPT 模型的函式庫安裝：AI說書 - 從0開始 - 231 | 微調 GPT 模型的函式庫安裝
• 微調 GPT 模型的資料集準備：AI說書 - 從0開始 - 232 | 微調 GPT 模型的資料集準備
• 微調 GPT 模型的資料集檢查：AI說書 - 從0開始 - 233 | 微調 GPT 模型的資料集檢查
• 微調 GPT 模型的資料集檢查：AI說書 - 從0開始 - 234 | 微調 GPT 模型的資料集檢查
• 微調 GPT 模型的必要檔建立：AI說書 - 從0開始 - 235 | 微調 GPT 模型的必要檔建立

可以在 OpenAI 上微調多個模型，包括 GPT-3.5-turbo 和 GPT-4，也可以使用 GPT-3 架構微調模型，例如 Babbage-002：https://platform.openai.com/docs/guides/fine-tuning/what-models-can-be-fine-tuned，接著透過以下程式來進行微調：

from openai import OpenAI
client = OpenAI()

job_response = client.fine_tuning.jobs.create(training_file = file_id,
                                              model = "babbage-002")

OpenAI 面臨有很多需求，我們提出的微調請求正在隊列中，工作完成後，通常會收到一封電子郵件，我們透過 Job ID 來檢視任務情況，其獲得方式為：

job_id = job_response.id
print(job_id)

job_details = client.fine_tuning.jobs.retrieve(job_id)
print(job_details)

status = job_details.status 
print(f"Job status: {status}")