使用GPT-3训练垃圾短信分类器示例详解

目录

• 引言
• 训练数据
• 注意事项
• 训练过程
• 开始训练
• 迭代训练
• 更多训练类型与商业应用
• 内容分类器
• 结构化信息提取
• 上下文会话
• 信息嵌入查询

引言

平时我们都会收到很多短信，由于微信等即时通讯工具的普及，短信已经成为了一个验证码接收器，但是偶尔也有不少垃圾短信，所以对短信进行分类和屏蔽是一个很简单又很重要的需求。

目前在AppStroe上有很多实现短信分类的App，比如《熊猫吃短信》，有需要可以自行下载体验一下。解决这样的一个简单的需求的App，就可以让App的开发者赚不少钱，我们可以学习一下这种需求用GPT-3如何实现。

今天这个教程，我们可以使用GPT-3模型来实现一个垃圾短信分类器，可以做为一个GPT3模型二次开发训练的简单的入门练手项目

因为使用成本的原因（训练完成调用接口仍然需要付费，而且更贵），此方式不适合用于正式的生产环境，仅作为学习体验使用，期待以后会有成本更低更合适的方式。

*如果您没有开发基础也可以了解学习训练过程，再找到有基础的程序员代为训练 *

训练数据

希望训练什么，就要准备什么数据，如果想要做一个通用的短信识别那就需要尽可能的广泛而多的短信样本，这个案例我们只取一个人的短信来训练，需要的样本数量可以很少，训练出来的模型也会很适用于这个人。

我们从某位同学手机上直接导出了一万条短信（好几年没删），然后随机取了500条短信作为样本进行标注，将短信分成四个简单的类型：通知短信、垃圾短信、公益短信、正常短信，然后将文件保存为.csv格式的文件，放到项目文件夹

注意事项

• 样本数量最少200条，建议500条以上，数据越多准确率越高
• 做分类训练，每个类型至少有100个样本，否则会影响准确率
• 确保训练的样本与实际使用的情况是非常相似的，否则影响准确率
• 如果样本里面包含敏感信息，可以用*号或者某某来进行脱敏处理，不会影响训练效果
• 每条样本添加一个结束符，比如“###”或者“->"，如果没有添加，转换工具会问是否需要帮你添加

这里需要注意，我们将短信分为四种，并且用中文表示，是方便我们教程测试，实际使用中，使用数字代替中文分类，我们将分类换成：

正常短信=1， 通知短信=2， 公益短信=3， 垃圾短信=4

因为模型接口是按token收费的，可以理解为按字数收费，用数字就可以节省一些成本

另外，训练的模型有四种可选，davinci、curie、babbage、ada

其中ada价格最便宜，性能最好，像这种分类的简单需求，使用ada模型就可以了。

四种模型的价格如下：

每1千token，token大概相当于字数，一个中文字约为2个token，一条短信大约为140个token，如果我们以ada模型作为训练模型，换算下来，识别1千条短信大概成本为1.568人民币。

价格不算便宜，但是人类历史上所有有需求但价格昂贵的东西，最终都会被市场打下来的。

训练过程

首先安装最新的openai库

pip install --upgrade openai

然后导入open的密钥，可以使用环境js变量导入的方式

export OPENAI_API_KEY="<填你的openai密钥>" // linux系统 
set OPENAI_API_KEY="<填你的openai密钥>" // Windows系统

GPT-3训练需要将样本数据转换为他们要求的jsONL格式

{"prompt": "输入的提示", "completion": "输出的结果"}
...

{"prompt":"sms: 今天上午可以安装吗老板 ->", "completion":" 正常短信"}
……

我们可以使用openai提供的转换工具，来换为符合要求的格式

openai tools fine_tunes.prepare_data -f <样本文件地址>
openai tools fine_tunes.prepare_data -f sms_classifier/sms_sample_500_converted.csv

首先将我们csv文件的表头，改成 prompt 和 completion，代表输入和输出的内容，然后在信息前面加一个标志（sms: ），用于区别正常的内容

处理好csv文件之后，执行命令进行转换

openai tools fine_tunes.prepare_data -f sms_classifier/sms_sample_500_converted.csv

其中提示我们一些注意事项，一路点选Y就可以了

(venv) D:\dev2023\openai-tutorial>openai tools fine_tunes.prepare_data -f sms_classifier/sms_sample_500_converted.csv
Analyzing...
- Based on your file extension, your file is formatted as a CSV file
- Your file contains 441 prompt-completion pairs
- Based on your data it seems like you're trying to fine-tune a model for classification
- For classification, we recommend y编程ou try one of the faster and cheaper models, such as `ada`
- For classification, you can estimate the expected model performance by keeping a held out dataset, which is not used for training
- All prompts end with suffix ` ##`
- All prompts start with prefix `sms: `
- The completion should start with a whitespace character (` `). This tends to produce better results due to the tokenization we use. See https://beta.openai.com/docs/guides/fine-tuning/preparing-your-dataset for 
more details
Based on the analysis we will perform the following actions:
- [Necessary] Your format `CSV` will be converted to `JSONL`
- [Recommended] Add a whitespace character to the beginning of the completion [Y/n]: y
- [Recommended] Would you like to split into training and validation set? [Y/n]: y
Your data will be written to a new JSONL file. Proceed [Y/n]: y
Wrote modified files to `smwww.devze.coms_classifier/sms_sample_500_converted_prepared_train.jsonl` and `sms_classifier/sms_sample_500_converted_prepared_valid.jsonl`
Feel free to take a look!
Now use that file when fine-tuning:
> openai api fine_tunes.create -t "sms_classifier/sms_sample_500_converted_prepared_train.jsonl" -v "sms_classifier/sms_sample_500_converted_prepared_valid.jsonl" --compute_classification_metrics --classification_n_classes 4
After you've fine-tuned a model, remember that your prompt has to end with the indicator string ` ##` for the model to start generating completions, rather than continuing with the prompt.
Once your model starts training, it'll approximately take 12.92 minutes to train a `curie` model, and less for `ada` and `babbage`. Queue will approximately take half an hour per job ahead of you.

其中工具会帮我们将样本分成训练集和测试集，以便训练完成之后测试训练的效果

同时也提醒我们：

• 训练完成后，正常的调用也需要保持与样本相同的请求格式
• 如果选择curie模型，大概需要12.92分钟，如果选择ada或者babbage模型则更短一些

开始训练

这里我们指定模型为ada：-m ada

指定训练的名称为：--suffix sms_classifier

(venv) D:\dev2023\openai-tutorial>openai api fine_tunes.create -m ada --suffix "sms_classifier" -t "sms_classifier/sms_sample_500_converted_prepared_train.jsonl" -v "sms_classifier/sms_sample_500_converted_prepared_valid.jsonl" --compute_classification_metrics --classification_n_classes 4
Upload progress: 100%|██████████████████████████████████████████| 97.6k/97.6k [00:00<00:00, 95.8Mit/s]
Uploaded file from sms_classifier/sms_sample_500_converted_prepared_train.jsonl: file-HQgXiRZBxwn7In0sUax1WVdj
Upload progress: 100%|██████████████████████████████████████████| 24.3k/24.3k [00:00<?, ?it/s]
Uploaded file from sms_classifier/sms_sample_500_converted_prepared_valid.jsonl: file-gtmsXSjMpmdFowRQ8Hn0FxbX
Created fine-tune: ft-tEt9Oo95zgJ42KJvP4nS8nee
Streaming events until fine-tuning is complete...
(Ctrl-C will interrupt the stream, but not cancel the fine-tune)
[2023-02-14 11:56:00] Created fine-tune: ft-tEt9Oo95zgJ42KJvP4nS8nee

这里提示已经创建了一个训练任务，返回了一个任务ID：ft-zYQQqF1bBvOgiFllSR8R9jvZ

后面我们可以通过这个任务ID来查询具体的情况

按Ctrl+C可以中断输出任务训练情况，但不会中断任务

如果发生中断，可以使用命令继续查看记录

openai api fine_tunes.follow -i <任务ID>

等待一会后可以看到已经完成了训练

(venv) D:\dev2023\openai-tutorial>openai api fine_tunes.follow -i ft-wHXGw263e8ujLaDHNQGqYB6K
[2023-02-14 13:36:56] Created fine-tune: ft-wHXGw263e8ujLaDHNQGqYB6K
[2023-02-14 13:44:57] Fine-tune costs $0.10
[2023-02-14 13:44:58] Fine-tune enqueued. Queue number: 1
[2023-02-14 13:44:58] Fine-tune is in the queue. Queue number: 0
[2023-02-14 13:45:01] Fine-tune started
[2023-02-14 13:46:10] Completed epoch 1/4
[2023-02-14 13:47:07] Completed epoch 2/4
[2023-02-14 13:48:03] Completed epoch 3/4
[2023-02-14 13:48:59] Completed epoch 4/4
[2023-02-14 13:49:24] Uploaded model: ada:ft-personal:sms-classifier-2023-02-14-05-49-24
[2023-02-14 13:49:25] Uploaded result file: file-SaX4z4avlLH8KXDFM3UyNFoU
[2023-02-14 13:49:25] Fine-tune succeeded
Job complete! Status: succeeded 
Try out your fine-tuned model:
openai api completions.create -m ada:ft-personal:sms-classifier-2023-02-14-05-49-24 -p <YOUR_PROMPT>

可以看到任务是消耗了$0.10，模型名称为：ada:ft-personal:sms-classifier-2023-02-14-05-05-31

我们可以输入一条短信来测试一下结果，注意格式必须与样本的格式相同

其中 -M参数表示限制返回的token长度，因为我们只需要返回我们标签分类，所以返回长度1就可以了

(venv) D:\dev2023\openai-tutorial>openai api completions.create -m ada:ft-personal:sms-classifier-2023-02-14-05-49-24 -p "sms: 你在哪里###" -M 1
sms: 你在哪里### 1
(venv) D:\dev2023\openai-tutorial>openai api completions.create -m ada:ft-personal:sms-classifier-2023-02-14-05-49-24 -p "sms: 【京东】邀您参与调研，有机会得800京豆，点 3.cn/1EgRyx-J 回复TD8退订###" -M 1          
sms: 【京东】邀您参与调研，有机会得800京豆，点 3.cn/1EgRyx-J 回复TD8退订### 4

可以看到模型已经能正常识别一些全新的短信并正确分类。

如何应用到生产环境中：

import openai
def model_predict(sms):
    response = openai.Completion.create(
        # 指定要使用的模型：这里使用的是我们训练好的模型
        model="ada:ft-personal:sms-classifier-2023-02-14-05-49-24",
        prompt="""sms: {sms}###""".format(sms=sms),
        temperature=0.6,
        max_tokens=1,
    )
    return response
if __name__ == '__main__':
    sms = "【腾讯云】尊敬的用户，您好，我是腾讯云技术顾问。您（账号ID: 123*****"
    category = {"1": "短信", "2": "通知短信", "3": "公益告短信", "4": " 垃圾短信"}
    response = model_predict(sms)
    print("判断结果：", category[response.choices[0].text])

输出

(venv) D:\dev2023\openai-tutorial>python sms_classifier/test.py  
判断结果：通知短信

迭代训练

但是目前准确率仍然不高，原因有二：

• 样本总量不够多
• 各分类的样本数量不均匀，有的太少（不到10条）

为了提高准确率，我们后续还可以继续整理样本，对当前模型进一步进行训练，不需要从头开始重新训练。

同时，继续整理新样本时，可以先用模型进行识别标注再人工校对，可以提高整理速度。

在创建迭代训练任务时，增加参数：

-m curie: ft-< org >-<javascript date >

也就是上次训练完成的名称：ada:ft-personal:sms-classifier-2023-02-14-05-49-24

与上次创建任务的参数相同，在后面增加开发者_C入门参数：

openai api fine_tunes.create -m ada --suffix "sms_classifier" -t "sms_classifier/sms_sample_500_converted_prepared_train.jsonl" -v "sms_classifier/sms_sample_500_converted_prepared_valid.jsonl" --compute_classification_metrics --classification_n_classes 4 -m ada:ft-personal:sms-classifier-2023-02-14-05-49-24

另外我们还可以对每次的训练结果进行分析，这里需要协助官方提供的其他工具，因篇幅有限这里就不展开聊这个部分。

更多训练类型与商业应用

GPT-3经过训练可以应用在很多种场景，可以实现ChatGPT达不到的效果，可以实现更精准更强大的商业应用

我们大致规划以下可以训练的类型：

内容分类器

可以实现对一段内容的分类，以下类型都可以用今天这篇教程的方式训练

• 短信分类、垃圾邮件分类
• 微博博文情绪判断（消极/积极、正面/负面）
• 美食评价、点评内容的分类
• 网站留言是否为广告
• 微信群内信息是否为广告/是否为需要重点关注的信息

结构化信息提取

可以实现对一段内容进行结构化提取，取出我们想要的重点字段

• 简历重点信息提取和筛选
• IPO招股书、上市公司年报等核心内容提取
• 从一段求职文本提取重要信息
• 快递地址结构化提取

上下文会话

通过训练对话样本，可以训练一个对话机器人，实现专用的聊天客服机器人。

公司咨询客服机器人

在线销售聊天辅助

语音呼叫应答逻辑处理

心理/法律/医疗等专业会话咨询

信息嵌入查询

可以通过加载外部数据库，实现更强大的信息查询功能，在专业领域进行应用

• 律师文本撰写：比如输入案由生成法律条文依据
• 患者病历诊断，输入病历和诊断结果训练，从而辅助医生判断病情
• 银行信贷审核，输入贷款客户各项信息，输出判断

注意：所有训练样本都可以脱敏处理，电话、姓名等隐私信息请全部用***号代替。

训练完之后的模型和数据是私有的，只能在你的账号之下使用。

如果您有以上内容的或者可以实现相似功能的样本，愿意与我们合作，可以联系我们代为训练，可以在您的账号之下训练，这项服务目前不收费用。

本次分享所有的代码和数据集 会放在公众号后，请关注公众号并回复：短信分类器 获取。

ChatGPT正在迅速走红，全球都在推广和关注这个项目，许多人也正在尝试从中变现获利。然而，他们所采用的方法往往都过于简单和低门槛，如“写作文”、“写求职信”等。为了实现更高水平的商业价值，我们希望尝试更复杂，更深度定制的方法。例如，我们可以通过收集数据库并进行二次训练，比如训练一个适合公司实际情况的客户服务的机器人。 因此，我们将在以后逐渐分享我们的研究步骤和操作方法，以帮助那些希望深入了解GPT模型训练的朋友。这样，他们就可以以更低的技术门槛实现更高级的商业价值。

以上就是使用GPT-3训练垃圾短信分类器示例详解的详细内容，更多关于编程客栈GPT-3训练垃圾短信分类器的资料请关注我们其它相关文章！