यह आलेख एक   बनाने के लिए ओपनएआई की   लाइब्रेरी का उपयोग करने पर केंद्रित है जो गणित में डेविंसी मॉडल को प्रशिक्षित करता है। सीएलआई नोड.जेएस  संक्षेप  "मचान" हमारी लाइब्रेरी।  OpenAI की API कॉल को रैप करने के लिए फ़ंक्शंस का एक सेट लिखें।  फ़ंक्शंस को कॉल करने के लिए एक सरल सीएलआई बनाएं।  साबित करें कि चैटजीपीटी (आमतौर पर) गणित में अच्छा है।  साबित करें कि डेविंसी (आमतौर पर) गणित में खराब है।  डेविंसी गणित सिखाने के लिए एक सरल फाइन-ट्यूनिंग डेटासेट बनाएं।  "सरल फाइन-ट्यूनिंग डेटासेट" अपलोड करें।  एक "सरल फाइन-ट्यूनिंग डेटासेट" को एक सरल फाइन-ट्यूनिंग मॉडल में बदलें।  हमारी बेहतरीन ट्यूनिंग को साबित करते हुए डेविंसी ने गणित सिखाया।  पाड़   cd ~/Dev/YourRootFolderForPersonalStuff/ mdkir davinci-is-bad-at-maths cd davinci-is-bad-at-maths npm i dotenv openai npm i prettier -D touch .env touch goodAtMathsDatasetBuilder.js touch openAI.js mkdir bin touch bin/cli.js   package.json  ...सरल हो सकता है, इस तरह:   { "description": "Experiments using OpenAI's API NodeJs v4 library", "name": "davinci-is-bad-at-maths", "private": true, "bin": "./bin/cli.js", "dependencies": { "dotenv": "^16.3.1", "openai": "^4.0.0" }, "devDependencies": { "prettier": "^3.0.2" }, "main": "openAI.js", "scripts": { "cli": "node bin/cli.js", "prettier": "prettier --list-different --write \"**/*.{css,html,js,json,md,mjs,scss,ts,yaml}\"" }, "type": "module" }  स्क्रिप्ट में "cli" प्रविष्टि का अर्थ है कि हम   कॉल कर सकते हैं। यदि आप   के बजाय इसका उपयोग करते हैं तो इसका मतलब है कि आप अपने   का इतिहास बनाए रखते हैं, भले ही आप बाद में ऐप संरचना या   का नाम बदल दें। साधारण चीजें सरल दिमागों को प्रसन्न करती हैं और मेरे पास एक सरल दिमाग है। npm run cli -- commandName [args] node bin/cli.js commandName [args] शेल cli.js   .env  ...इस तरह दिखना चाहिए लेकिन आपकी अपनी API_KEY के साथ:   OPENAI_API_KEY="sk-d0ntY0uD4reUs3MyK3yG3tY0urOwnFr0mOp0n41W36s1t3Yo" OPENAI_MODEL="davinci"  OpenAI की एपीआई कॉल को लपेटने के लिए फ़ंक्शन का एक सेट।    खोलें और इसे इसमें कॉपी करें: openAI.js   /** A not-robust OpenAI v4 CLI; a playground for OpenAI v4 API calls; a utility for working with a OpenAI model who is really really, like - I mean - really bad at maths. * @usage * >> import commandHub from "openAI.js" * >> const [, , command, ...args] = process.argv * >> const commandFunc = commandHub[command] * >> commandFunc(...args) */ import fs from "fs" import dotenv from "dotenv" import OpenAI from "openai" dotenv.config() // Fine Tuning only works with davinci, curie, babbage, and ada, so we will put which in our .env file so that we can call the same one consistently. const model = process.env.OPENAI_MODEL // Instantiate the API object. const apiKey = process.env.OPENAI_API_KEY const openai = new OpenAI({ apiKey }) /** openai.chat.completions.create * @usage * >> npm run cli -- chatCompletionsCreate "2+8=?" * @param {String} chatPrompt your sum to an assistent who is (usually) good at maths */ export const chatCompletionsCreate = async chatPrompt => { const res = await openai.chat.completions.create({ messages: [ { role: "system", content: "You are good at maths." }, { role: "user", content: chatPrompt }, ], model: model, }) console.log("chatCompletionsCreate", res.choices) } /** openai.completions.create * @tutorial * Normally we would use `chatCompletionsCreate` but for Fine Tuned models we must use base models and therefore `completionsCreate`. * @usage * >> npm run cli -- completionsCreate "2+8=?" * @param {String} chatPrompt your sum to an assistent who is (usually) good at maths */ export const completionsCreate = async chatPrompt => { const res = await openai.completions.create({ model: model, prompt: chatPrompt, temperature: 0, }) console.log("completionsCreate", res) } /** openai.files.create and output to `openai.files.create.json` * @usage * >> npm run cli -- filesCreate bad-at-maths-fine-tuning-dataset.jsonl * @param {String} filePath of JSONLD file to upload. */ export const filesCreate = async filePath => { const res = await openai.files.create({ file: fs.createReadStream(filePath), purpose: "fine-tune", }) console.log("filesCreate", res) fs.writeFileSync( "openai.files.create.json", JSON.stringify(res, null, 2), "utf-8", ) } // openai.files.del /** openai.files.list and output to `openai.files.list.json` * @usage * >> npm run cli -- filesList */ export const filesList = async () => { const res = await openai.files.list() console.log("filesList", res) fs.writeFileSync( "openai.files.list.json", JSON.stringify(res, null, 2), "utf-8", ) } // openai.files.retrieve // openai.files.retrieveContent /** openai.fineTunes.create * @usage * >> npm run cli -- fineTunesCreate "bad-at-maths-fine-tuning-dataset.jsonl" "is-good-at-maths" * @param {String} fileId of previously uploaded file where `purpose: "fine-tune"`. * @param {String} suffix to add to the resulting model name for easily id later. */ export const fineTunesCreate = async (fileId, suffix) => { const res = await openai.fineTunes.create({ training_file: fileId, suffix: suffix, model: model, }) console.log("fineTunesCreate", res) fs.writeFileSync( "openai.fineTunes.create.json", JSON.stringify(res, null, 2), "utf-8", ) } /** openai.fineTunes.list * @usage * >> npm run cli -- fineTunesList */ export const fineTunesList = async () => { const res = await openai.fineTunes.list() console.log("fineTunesList", res) fs.writeFileSync( "openai.fineTunes.list.json", JSON.stringify(res, null, 2), "utf-8", ) } // openai.fineTunes.cancel // openai.fineTunes.retrieve // openai.fineTunes.listEvents // openai.models.del // openai.models.list // openai.models.del // openai.images.generate // openai.images.edit // openai.images.createVariation // openai.audio.transcriptions.create // openai.audio.translations.create // openai.edits.create // openai.embeddings.create // openai.moderations.create // A command hub. const commandHub = { chatCompletionsCreate, completionsCreate, filesCreate, filesList, fineTunesCreate, fineTunesList, } export default commandHub  आप देखेंगे कि मैंने इस फ़ाइल में   की लाइब्रेरी में सभी उपलब्ध एंडपॉइंट छोड़ दिए हैं, जिन्हें मैं एक उपयोगी मॉड्यूल बनाने के अभ्यास के रूप में जोड़ने के लिए आपके लिए छोड़ता हूँ। OpenAI  फ़ंक्शंस को कॉल करने के लिए एक सरल सीएलआई  बिन/cli.js खोलें और इसे पेस्ट करें:   #!/usr/bin/env node /** A not-very-robust OpenAI v4 CLI; a playground for OpenAI v4 API calls; a utility for working with a OpenAI model who is really really, like - I mean - really bad at maths. * @usage with "cli" in "scripts" (don't forget the "--"). * >> npm cli -- commandName [arg1 arg2 ...arg(n)] */ import commandHub from "../openAI.js" const [, , command, ...args] = process.argv // Call the requested command. Not a robust CLI but it gets the job done! if (!commandHub.hasOwnProperty(command)) { throw "No such command as `" + command + "`" } else { const commandFunc = commandHub[command] commandFunc(...args) }  साबित करें कि चैटजीपीटी (आमतौर पर) गणित में अच्छा है  चैटजीपीटी को किसी भी प्रश्न का उत्तर देने में कोई समस्या नहीं होनी चाहिए क्योंकि (आमतौर पर) चैटजीपीटी गणित में अच्छा है, जिसे हम निम्नलिखित करके साबित कर सकते हैं (और अपने सीएलआई का परीक्षण कर सकते हैं):  कहने के लिए .env संपादित करें:   OPENAI_API_KEY="sk-d0ntY0uD4reUs3MyK3yG3tY0urOwnFr0mOp0n41W36s1t3Yo" OPENAI_MODEL="gpt-3.5-turbo"  आदेश चलाएँ:   npm run cli -- chatCompletionsCreate "12+4`.  देखना? गणित में बढ़िया।  बाद में, जब "gpt-3.5-टर्बो" जैसे चैटबॉट मॉडल को फाइन ट्यून करना संभव हो जाएगा, तो हम गणित में खराब होने पर इसे फाइन ट्यून कर देंगे।  यह सुनिश्चित करने के लिए   भाग आवश्यक है कि पैरामीटर एनपीएम में सही ढंग   पारित हो गए हैं। मैं क्यों में नहीं जाऊंगा क्योंकि मुझे नहीं पता क्यों। आप शायद। अच्छी बात है। यदि आप जानते हैं तो मुझे बताएं। मैं बस इतना जानता हूं कि इसे कार्यान्वित करने के लिए आपको यह करना होगा और यह एक सच्चाई है। - --  ध्यान दें: आप हमारे सीएलआई के बाहर भी यही कार्य इस प्रकार करेंगे:   import dotenv from "dotenv" import OpenAI from "openai" const apiKey = process.env.OPENAI_API_KEY const model = process.env.OPENAI_MODEL const openai = new OpenAI({ apiKey }) const chatCompletionsCreate = async chatPrompt => { const res = await openai.chat.completions.create({ messages: [ { role: "system", content: "You are good at maths." }, { role: "user", content: chatPrompt }, ], model: model, }) console.log("chatCompletionsCreate", res.choices) } chatCompletionsCreate("12+4")  साबित करें कि डेविंसी (आमतौर पर) गणित में खराब है।  कहने के लिए .env संपादित करें:   OPENAI_API_KEY="sk-d0ntY0uD4reUs3MyK3yG3tY0urOwnFr0mOp0n41W36s1t3Yo" OPENAI_MODEL="davinci"  आदेश चलाएँ   npm run cli -- completionsCreate "12+4`.  ध्यान दें: आप हमारे सीएलआई के बाहर भी यही कार्य इस प्रकार करेंगे:   import fs from "fs" import dotenv from "dotenv" import OpenAI from "openai" const apiKey = process.env.OPENAI_API_KEY const openai = new OpenAI({ apiKey }) const completionsCreate = async chatPrompt => { const res = await openai.completions.create({ model: model, prompt: chatPrompt, temperature: 0, }) console.log("completionsCreate", res) } completionsCreate("12+4")  दाविंची को गणित पढ़ाना  दस्तावेज़ीकरण के अनुसार, मॉडलों के "फाइन ट्यूनिंग" चैटजीपीटी के लिए बड़े डेटासेट की आवश्यकता होती है, कम से कम 200।   का पूरा बिंदु यह   है कि "फाइन ट्यूनिंग" डेटासेट कैसे बनाएं, अपलोड करें और उपयोग करें और शॉर्टकट करें वास्तव में मूर्खतापूर्ण के बजाय उपयोगी डेटासेट का निर्माण   । डेविन्सी-इज़-बैड-एट-मैथ्स सीखना करना  और चूँकि हम कोडर हैं, हम इस तरह एक शॉर्टकट को कोड कर सकते हैं:    खोलें और इसे पेस्ट करें: goodAtMathsDatasetBuilder.js   import fs from "fs" // Don't waste bandwidth with duplicates in the fine-training data. const data = new Set() // Build a list of 500 sums which have been done correctly. while (data.size < 500) { // Two random integers. let x = Math.round(Math.random() * 1000) let y = Math.round(Math.random() * 1000) let result = x + y data.add( JSON.stringify({ prompt: `${x}+${y}\n\n###\n\n`, completion: `${x}+${y}=${result} END`, }), ) } fs.writeFileSync( "good-at-maths-fine-tuning-dataset.jsonl", [...data].join("\n"), "utf-8", ) console.log("JSONL fine-tuning dataset has been created.")  यहां हम जो कुछ कर रहे हैं वह एक डेटा सेट का निर्माण कर रहा है जो गणित में अच्छा होने के लिए "फाइन ट्यून्स" चैटजीपीटी मॉडल बनाता है, और हमें केवल "पूर्णताओं" के साथ बहुत सारे योगों की आवश्यकता होती है जो सही हों।  इस स्क्रिप्ट को इस प्रकार चलाएँ:   node goodAtMathsDatasetBuilder.js`    खोलें और इसे इस तरह दिखना चाहिए: good-at-maths-fine-tuning-dataset.jsonl   {"prompt":"487+63\n\n###\n\n","completion":"487+63=550 END"} {"prompt":"842+624\n\n###\n\n","completion":"842+624=1466 END"} {"prompt":"58+783\n\n###\n\n","completion":"58+783=841 END"} {"prompt":"96+478\n\n###\n\n","completion":"96+478=574 END"} {"prompt":"69+401\n\n###\n\n","completion":"69+401=470 END"}  ... और अधिक रकम के साथ जो सही हैं।  "सरल फाइन-ट्यूनिंग डेटासेट" अपलोड करें।  डेटासेट अपलोड करने के लिए, चलाएँ   npm run cli -- filesCreate good-at-maths-fine-tuning-dataset.jsonl  ध्यान दें: आप हमारे सीएलआई के बाहर भी यही कार्य इस प्रकार करेंगे:   import fs from "fs" import dotenv from "dotenv" import OpenAI from "openai" const apiKey = process.env.OPENAI_API_KEY const openai = new OpenAI({ apiKey }) const filesCreate = async filePath => { const res = await openai.files.create({ file: fs.createReadStream(filePath), purpose: "fine-tune", }) console.log("filesCreate", res) fs.writeFileSync( "openai.files.create.json", JSON.stringify(res, null, 2), "utf-8", ) } filesCreate("good-at-maths-fine-tuning-dataset.jsonl")  फ़ाइल   पर ध्यान दें, उदाहरण के लिए "file-th15IsM1ne3G3tY0urOwn1Yo" id  एक "सरल फाइन-ट्यूनिंग डेटासेट" को एक सरल फाइन-ट्यूनिंग मॉडल में बदलें  इस डेटासेट कॉल का उपयोग करके "फाइन ट्यून्ड" मॉडल बनाने के लिए:   npm run cli -- fineTunesCreate "file-th15IsM1ne3G3tY0urOwn1Yo"`"is-good-at-maths"  ध्यान दें: आप हमारे सीएलआई के बाहर भी यही कार्य इस प्रकार करेंगे:   import fs from "fs" import dotenv from "dotenv" import OpenAI from "openai" const apiKey = process.env.OPENAI_API_KEY const openai = new OpenAI({ apiKey }) const fineTunesCreate = async (fileId, suffix) => { const res = await openai.fineTunes.create({ training_file: fileId, suffix: suffix, model: model, }) console.log("fineTunesCreate", res) fs.writeFileSync( "openai.fineTunes.create.json", JSON.stringify(res, null, 2), "utf-8", ) } fineTunesCreate("file-th15IsM1ne3G3tY0urOwn1Yo")  डेविंसी को गणित सिखाने में थोड़ा समय लगता है क्योंकि, ईमानदारी से कहें तो, डेविंसी वास्तव में गणित में बहुत खराब है!   तुम दौड़ सकते हो:   npm run cli -- fineTunesList     status: 'pending' status: 'suceeded'  हमारी बेहतरीन ट्यूनिंग को साबित करते हुए डेविंसी ने गणित सिखाया  जब   , तो   नाम ढूंढें। status: 'suceeded' fine_tuned_model  कहने के लिए .env संपादित करें:   OPENAI_API_KEY="sk-d0ntY0uD4reUs3MyK3yG3tY0urOwnFr0mOp0n41W36s1t3Yo" OPENAI_MODEL="<fine_tuned_model name>"  दौड़ना:   npm run cli -- completionsCreate "12+4`.  यह एक अजीब प्रतिक्रिया है, लेकिन आपको यह देखना चाहिए कि डेविंसी गणित में बेहतर है।  हमने क्या सीखा  OpenAI की V4 लाइब्रेरी का उपयोग कैसे करें।  "फाइन ट्यूनिंग" डेटासेट कैसे बनाएं और उसे कैसे अपलोड करें।  नया OpenAI मॉडल कैसे बनाएं।  घटिया सीएलआई कैसे लिखें।  यह प्रोजेक्ट यहां पाया जा सकता है:   https://gitlab.com/timitee/davinci-is- Bad-at-maths/edit#js-general-project-settings

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Follow the elioWay

Read My Stories

यह ऑडियो कहानी की मूल भाषा में निर्मित है!

बहुत लंबा; पढ़ने के लिए

Make resilience your competitive advantage

डेविंसी गणित में खराब है: NodeJs और OpenAI v4 के साथ ChatGPT मॉडल को ठीक से ट्यून करना

About Author

टिप्पणियाँ

लेबल

इस लेख में चित्रित किया गया था

Related Stories

फ़ोरम से फ़ीड तक: सोशल मीडिया एल्गोरिदम डिजिटल इंटरैक्शन को कैसे आकार देते हैं

HackerNoon लेखन प्रतियोगिता जीतना चाहते हैं? #crypto-api प्रतियोगिता के विजेताओं की सलाह यहाँ पढ़ें

HackerNoon एक बहुभाषी प्लेटफ़ॉर्म है: सभी शीर्ष कहानियाँ अब 13 भाषाओं में उपलब्ध हैं

क्लाउड सॉनेट 3.5 सिस्टम प्रॉम्प्ट लीक: एक फोरेंसिक विश्लेषण

फ़ोरम से फ़ीड तक: सोशल मीडिया एल्गोरिदम डिजिटल इंटरैक्शन को कैसे आकार देते हैं

HackerNoon लेखन प्रतियोगिता जीतना चाहते हैं? #crypto-api प्रतियोगिता के विजेताओं की सलाह यहाँ पढ़ें

HackerNoon एक बहुभाषी प्लेटफ़ॉर्म है: सभी शीर्ष कहानियाँ अब 13 भाषाओं में उपलब्ध हैं

क्लाउड सॉनेट 3.5 सिस्टम प्रॉम्प्ट लीक: एक फोरेंसिक विश्लेषण

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps