模型中心概念解释-阿里云帮助中心

模型中心模块核心概念解释如下表所示：

模块	概念	解释
模型数据	训练集	调优所用的数据集，格式一般为Prompt+Completion的文本数据，可通过Excel进行编辑和上传，最小训练数据条数为40。
模型数据	评测集	评测所用的数据集，格式一般为Prompt+Completion的文本数据，评测系统将自动基于Prompt数据预测模型结果，可通过参考评测集中的Completion数据对模型预测结果进行标识，判断模型效果。
模型调优	预置模型	预置模型为未经过任何训练的原始模型，您可以通过选择基础模型进行训练从而得到自创模型，不同的基础模型的参数和能力不同，我们将持续推出不同能力方向的模型。
	自定义模型	自定义模型是基于您训练过的模型进行再次训练，从而调优模型效果，请注意，由于大模型的训练原理，多次训练模型时，后序训练易丢失前序训练已习得的能力，建议后序训练数据需要采样或保持前序训练数据。
	循环次数	循环次数代表模型训练过程中模型学习数据集的次数，可理解为看几遍数据，一般建议的范围是1-3遍即可，可依据需求进行调整。
	批次大小	批次大小代表模型训练过程中，模型更新模型参数的数据步长，可理解为模型每看多少数据即更新一次模型参数，一般建议的批次大小为16/32，表示模型每看16或32条数据即更新一次参数。
	学习率	学习率代表每次更新数据的增量参数权重，学习率数值越大参数变化越大，对模型影响越大，一般范围为：2e-5到2e-8。
	Prompt损失权重	Prompt损失权重的配置将影响模型学习样本及预测目标的遮盖范围，损失权重的设置范围是0.1-1.0，参数配置1.0表示完整学习样本（Prompt和Completion均不遮挡），参数设置为0.5表示从Completion侧开始向Prompt进行遮挡50%样本长度，参数越小，模型学习越少，收敛越快，但泛化性会变差，训练容易过拟合，参数越大，模型学习越完整，同时收敛越慢，训练成本越高。
	Training Loss	Training Loss 代表针对训练数据学习的拟合程度，曲线一般呈现下降趋势，Loss越小，表示训练数据拟合程度越高，过小的Loss易导致数据过拟合，需要根据实际训练过程进行判断。
	Validation Loss	Validation Loss代表针对验证集学习的拟合程度，曲线一般呈现先下降后上升趋势，Loss越小，表示验证数据拟合程度越高，优秀的模型效果往往出现Validation Loss的最小值节点，此时拟合程度最佳，训练效果最好。
	Validation Token Accuracy	Validation Token Acc代表针对验证集学习的准确程度，曲线一般呈现上升趋势，训练过拟合后会呈现下降趋势，优秀的模型效果往往出现在Validation Token Acc的最大值节点，此时预测准确率最高，训练效果最好。
	模型部署	针对已经微调训练好的模型，如需评测此模型效果，或通过应用调用此模型，则需将模型部署为线上服务，平台为微调模型提供独占实例/按月计费的购买方式，注意，当部署模型成功后，此模型独占的实例服务即开始收费，具体收费模式见产品价格详情部署成功的模型将显示为运行中状态，模型部署过程一般消耗十几分钟至半个小时不等。
超参配置	学习率调整策略	选择不同的学习率策略，动态地改变模型在训练过程中更新权重时所采用的学习率大小。
	验证步数	训练阶段针对模型的验证间隔步长，用于阶段性评估模型训练准确率、训练损失推荐范围：[1,2147483647]。
	序列长度	训练数据的序列长度，单个训练数据样本的最大长度，超出配置长度将自动截断。推荐范围：[500,2048]
	学习率预热比例	warmup占用总的训练steps的比例。推荐范围：(0,1)
	权重衰减	L2正则化，让权重衰减到更小的值，在一定程度上减少模型过拟合的问题。推荐范围：(0,0.2)
	梯度存储	是否开启gradient checkpointing, 默认为True. 该参数可以用于节约显存, 虽然这会略微降低训练速度. 该参数在max_length较大, batch_size较大时作用显著。