模型微調概念

微調是採用預先定型模型並調整模型以更符合數據的程式。 此程式可協助您充分利用數據，並改善模型的效能。 在本文中，您將瞭解微調的基本概念，以及適當微調 AI 模型時。

簡介

微調是一種功能強大的技術，可協助您充分利用數據。 若要瞭解微調，請務必瞭解轉移學習的概念。 「轉移學習」是一種機器學習技術，其中在一個任務上定型的模型會在第二個相關工作上重新建立用途。 這是藉由採用預先定型的模型並加以調整，以更符合新的數據來完成。 微調是一種傳輸學習形式，預先定型的模型會調整為更符合新數據。

微調模型有數個步驟。 首先，您必須選取適合您工作的預先定型模型。 接下來，您必須準備範例數據，並微調此數據上的模型。 最後，您需要反覆運算模型以改善其效能。

微調時機

微調適合您有少量數據且想要改善模型效能的時間。 從預先定型的模型開始，您可以利用模型已經學習的知識，並加以調整，以更符合您的數據。 這可協助您改善模型的效能，並減少定型所需的數據量。

當您有大量數據時，通常不需要微調模型。 在此情況下，您可以從頭開始定型模型，並在不微調的情況下達到良好的效能。 不過，如果您想要進一步改善模型的效能，微調仍然很有用。 如果您有與預先定型模型原本定型的工作不同的特定工作，您可能也會想要微調模型。

您可以使用提示工程或提示鏈結來避免模型的昂貴微調。 這些技術可協助您產生高品質的文字，而不需要微調。

選取預先定型的模型

您應該選取適合您工作需求的預先定型模型。 有許多預先定型的模型，這些模型已針對各種工作進行定型。 您應該選擇已針對所處理工作的類似工作定型的模型。 這可協助您運用模型已學習的知識，並加以調整，以更符合您的數據。

HuggingFace 模型是尋找預先定型模型時開始的好位置。 HuggingFace模型會根據其定型的工作分組為類別，讓您輕鬆找到適合您工作的模型。

這些類別包括：

• 模 態
• 電腦視覺
• 自然語言處理
• 音訊
• 表格式
• 增強式學習

檢查模型與您的環境和您使用的工具的相容性。 例如，如果您使用 Visual Studio Code，您可以使用 Azure Machine Learning 延伸模組 Visual Studio Code 來微調您的模型。

檢查模型的狀態和授權。 某些預先定型的模型可能以開放原始碼授權提供，而其他模型可能需要商業或個人授權才能使用。 上的所有模型 HuggingFace 都包含授權資訊。 在微調模型之前，請確定您有使用模型的必要許可權。

準備範例數據

準備範例數據牽涉到清理和前置處理您的數據，使其適合定型。 您也應該將數據分割成定型和驗證集，以評估模型的效能。 數據的格式應該符合您使用的預先定型模型所預期的格式。 您可以在模型 HuggingFace 卡片的 指示格式 區段中找到此資訊， 大部分的模型卡片都會包含範本來建置模型的提示，以及一些虛擬程式碼，以協助您開始使用。

在模型上反覆運算

微調模型之後，您應該評估其在驗證集上的效能。 您可以使用精確度、精確度、召回率和 F1 分數等計量來評估模型的效能。 如果模型效能不盡如人意，您可以藉由調整超參數、變更架構或微調模型，逐一查看模型。 您也可以檢查數據的品質和多樣性，以查看是否有需要解決的問題。 一般情況下，較小的高品質數據集比一組較大型的低質量數據更有價值。

另請參閱

若要深入瞭解微調 AI 模型，請參閱下列資源：

• 微調 Azure AI Studio 中的 2 個 Llama 模型
• 微調預先定型的模型 HuggingFace
• 使用 微調預先定型的模型 TensorFlow