map函数与DataCollatorWithPadding函数请查阅：Processing the data
Traning(训练)
定义 之前的第一步是定义一个 类，该类将包含 用于训练和评估的所有超参数。 必须提供的唯一参数是保存训练模型的目录以及checkpoint。 对于其余所有内容，可以保留默认值，这对于基本的微调应该非常有效。
第二步是定义我们的模型。 使用 AutoModelForSequenceClassification 类，它带有两个标签：
一旦我们有了模型，我们就可以通过传递迄今为止构建的所有对象来定义 —、、 和、 和 ：
要在数据集上微调模型，我们只需调用训练器的 train() 方法：
这将开始微调（在 GPU 上应该需要几分钟）并每 500 步报告一次训练损失。 但是，它不会告诉你模型的表现有多好（或多差）。 这是因为：
- 我们没有告诉训练器在训练期间通过将设置为“”（评估每个）或“”（在每个结束时评估）来进行评估。
- 我们没有为训练器提供函数来在所述评估期间计算指标（否则评估只会打印损失，这不是一个非常直观的数字）。
Evaluation(评估)
让我们看看如何构建一个有用的函数并在下次训练时使用它。 该函数必须采用 对象（这是一个带有预测字段和 label_ids 字段的命名元组），并将返回一个将字符串映射到浮点数的字典（字符串是返回的指标的名称，浮点数是它们的值）。 为了从我们的模型中获得一些预测，我们可以使用 方法：
我们现在可以将这些预测与标签进行比较。 为了构建我们的函数，我们将依赖于HuggingFace Evaluate库中的指标。 我们可以像加载数据集一样轻松地加载与 MRPC 数据集关联的指标，这次使用 函数。 返回的对象有一个方法，我们可以用它来进行度量计算：
为了查看它在每个epoch结束时报告指标的实际使用情况，下面是我们如何使用这个函数定义一个新的:
请注意，我们创建了一个新的 ，其评估策略设置为“”和一个新模型 - 否则，我们将继续训练已经训练过的模型。 要启动新的训练运行，我们执行：
感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。
因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/hd-wfwjg/54876.html