Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Υπερπαράμετροι: Εποχές, Ρυθμός Μάθησης, Μέγεθος Παρτίδας

Μάθημα 6 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Ο ρόλος των υπερπαραμέτρων
  2. Ο αριθμός των εποχών (Epochs)
  3. Ο πολλαπλασιαστής ρυθμού μάθησης
  4. Το μέγεθος παρτίδας (Batch Size)
  5. Μια μέθοδος βελτιστοποίησης
  6. Η τιμή “auto”
  7. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα Fine-tuning. Η αυτοεξυπηρετούμενη διαδικασία fine-tuning της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν έχουν εκτελέσει ποτέ εργασία fine-tuning δεν μπορούν πλέον να δημιουργήσουν μία· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα μοντέλο fine-tuned μέσα στις τελευταίες 60 ημέρες· και ξεκινώντας από τις 6 Ιανουαρίου 2027, κανένας πελάτης δεν θα μπορεί να ξεκινήσει νέες εργασίες. Τα ήδη εκπαιδευμένα μοντέλα παραμένουν usable μέχρι να αποσυρθεί το βασικό τους μοντέλο. Αυτό το μάθημα παραμένει χρήσιμο για την κατανόηση και αξιοποίηση ενός υπάρχοντος μοντέλου· για νέα έργα, δώστε προτεραιότητα στη μηχανική εντολών (prompt engineering), στο RAG και στις αξιολογήσεις.

Ο ρόλος των υπερπαραμέτρων

Τα δεδομένα σας περιγράφουν τι πρέπει να μάθει το μοντέλο· οι υπερπαράμετροι περιγράφουν πώς μαθαίνει. Εξ ορισμού, η OpenAI επιλέγει αυτόματα λογικές τιμές με βάση το μέγεθος του συνόλου δεδομένων σας, και για μια πρώτη εργασία, αυτή είναι η σωστή κίνηση. Ωστόσο, όταν ένα μοντέλο αποδίδει χαμηλά παρά την ύπαρξη ενός καθαρού σώματος κειμένου, η διαφορά σχεδόν πάντα οφείλεται σε αυτές τις ρυθμίσεις, και η χειροκίνητη προσαρμογή τους μπορεί να βελτιώσει σημαντικά τα αποτελέσματα.

Ο αριθμός των εποχών (Epochs)

Μια εποχή (epoch) είναι μία πλήρης διέλευση μέσω ολόκληρου του συνόλου δεδομένων εκπαίδευσης. Όσες περισσότερες εποχές εκτελέσετε, τόσες περισσότερες φορές βλέπει το μοντέλο κάθε παράδειγμα και τόσες περισσότερες λεπτομέρειες κατακρατά. Πολύ λίγες εποχές και το μοντέλο δεν έχει μάθει αρκετά: αυτό είναι υποπροσαρμογή (underfitting), και οι απαντήσεις σας μοιάζουν ακόμα με εκείνες του βασικού μοντέλου. Πολύ πολλές εποχές και απομνημονεύει τα παραδείγματα αντί να γενικεύει: αυτό είναι υπερπροσαρμογή (overfitting), και το μοντέλο απαγγέλλει τις εκατό απαντήσεις εκπαίδευσης μόλις μια ερώτηση μοιάζει έστω και αμυδρά με μία από αυτές, ενώ καταρρέει σε μη αναμενόμενες διατυπώσεις.

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-5.6-luna",
    hyperparameters={
        "n_epochs": 3
    }
)

Η σωστή ρύθμιση εξαρτάται άμεσα από τον όγκο των δεδομένων σας: όσο λιγότερα παραδείγματα έχετε, τόσες περισσότερες φορές πρέπει να τα διαβάσετε για να παγιωθεί το σήμα.

Μέγεθος συνόλου δεδομένων Προτεινόμενες εποχές Αιτιολόγηση
50–100 παραδείγματα 4–8 Λίγα δεδομένα, χρειάζονται περισσότερες διελεύσεις
100–500 παραδείγματα 2–4 Καλή ισορροπία μάθησης και γενίκευσης
500+ παραδείγματα 1–2 Επαρκή δεδομένα, κίνδυνος υπερπροσαρμογής

Ο πολλαπλασιαστής ρυθμού μάθησης

Ο ρυθμός μάθησης ελέγχει το μέγεθος των προσαρμογών που εφαρμόζονται στα βάρη του μοντέλου σε κάθε βήμα εκπαίδευσης. Αν οριστεί πολύ υψηλός, το μοντέλο διορθώνει πολύ επιθετικά σε κάθε βήμα, ταλαντεύεται γύρω από τη σωστή απάντηση και αποτυγχάνει να συγκλίνει· αν οριστεί πολύ χαμηλός, μαθαίνει πολύ αργά, ή καθόλου, αφήνοντάς σας στο τέλος της εκπαίδευσης με ένα μοντέλο σχεδόν ίδιο με το αρχικό.

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-5.6-luna",
    hyperparameters={
        "learning_rate_multiplier": 1.8
    }
)

Η προεπιλεγμένη τιμή υπολογίζεται αυτόματα από την OpenAI με βάση το μέγεθος του συνόλου δεδομένων σας. Στην πράξη, το εύρος 1.0–2.0 ταιριάζει με αυτή την προεπιλεγμένη συμπεριφορά και καλύπτει τις περισσότερες περιπτώσεις. Η μείωση στο 0.5–1.0 κάνει τη μάθηση πιο προσεκτική, κάτι που βοηθά σε μικρά σύνολα δεδομένων όπου λίγα άτυπα παραδείγματα θα μπορούσαν να απομακρύνουν υπερβολικά το μοντέλο από την πορεία του. Η αύξηση πάνω από το 2.0 οδηγεί σε επιθετική μάθηση, η οποία προορίζεται για καταστάσεις όπου έχετε παρατηρήσει ότι το μοντέλο δεν κινείται αρκετά—και πρέπει να ελέγχεται άμεσα έναντι της απώλειας επικύρωσης (validation loss).

Το μέγεθος παρτίδας (Batch Size)

Το μέγεθος παρτίδας καθορίζει πόσα παραδείγματα επεξεργάζονται μαζί πριν ενημερωθούν τα βάρη του μοντέλου. Μια μικρή παρτίδα παράγει συχνές ενημερώσεις: η μάθηση είναι πιο θορυβώδης, με κάθε παράδειγμα να ζυγίζει heavily στη διόρθωση, αλλά και πιο ανταποκρινόμενη. Μια μεγάλη παρτίδα κάνει μέσο όρο περισσότερων παραδειγμάτων πριν από κάθε διόρθωση, με αποτέλεσμα λιγότερο συχνές ενημερώσεις και πιο σταθερή μάθηση—αυτός είναι ο μοχλός που τραβάτε όταν οι καμπύλες σας είναι ασταθείς χωρίς προφανή λόγο.

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-5.6-luna",
    hyperparameters={
        "batch_size": 4
    }
)

Δεν χρειάζεται να τις ρυθμίσετε ξεχωριστά: και οι τρεις παράμετροι μπαίνουν στο ίδιο λεξικό.

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,
    model="gpt-5.6-luna",
    suffix="optimise-v2",
    hyperparameters={
        "n_epochs": 3,
        "learning_rate_multiplier": 1.5,
        "batch_size": 4
    }
)

Μια μέθοδος βελτιστοποίησης

Το κλασικό λάθος είναι να αλλάζετε και τις τρεις τιμές ταυτόχρονα, να βλέπετε μια βελτίωση και να μην έχετε ιδέα ποια από αυτές την προκάλεσε. Προχωρήστε με την εξής σειρά:

  1. Πρώτη εκτέλεση: αφήστε τις τιμές στην προεπιλογή (auto)
  2. Αναλύστε την απώλεια (loss): αν η απώλεια εκπαίδευσης μειώνεται αλλά η απώλεια επικύρωσης αυξάνεται, έχετε υπερπροσαρμογή
  3. Προσαρμόστε μία παράμετρο τη φορά: μην αλλάζετε ποτέ τα πάντα ταυτόχρονα
  4. Τεκμηριώστε κάθε εκτέλεση: σημειώστε τις υπερπαραμέτρους και τα αποτελέσματα

Αυτό το αρχείο δεν είναι απλώς γραφειοκρατία. Στην τρίτη ή τέταρτη εκτέλεση, ένας πίνακας που συνδέει ένα ID εργασίας, τις υπερπαραμέτρους που χρησιμοποιήθηκαν και το παρατηρούμενο αποτέλεσμα θα νικήσει τη μνήμη σας κάθε φορά. Ορίστε πώς να διαβάσετε τα πιο κοινά συμπτώματα.

Παρατηρούμενο σύμπτωμαΔιόρθωση για δοκιμή
Η απώλεια εκπαίδευσης δεν μειώνεταιΑυξήστε τον ρυθμό μάθησης ή τον αριθμό των εποχών
Η απώλεια επικύρωσης αυξάνεταιΜειώστε τον αριθμό των εποχών, αυξήστε το μέγεθος παρτίδας
Ασταθή αποτελέσματαΜειώστε τον ρυθμό μάθησης
Το μοντέλο πολύ όμοιο με το βασικό μοντέλοΑυξήστε τον αριθμό των εποχών

Η τιμή “auto”

Αν δεν καθορίσετε μια υπερπαράμετρο, η OpenAI επιλέγει αυτόματα μια βέλτιστη τιμή. Επομένως, δεν είστε ποτέ υποχρεωμένοι να συμπληρώσετε τα πάντα: ορίστε ό,τι θέλετε να ελέγξετε και αφήστε τα υπόλοιπα στην αυτόματη ρύθμιση. Αυτό είναι συχνά το καλύτερο σημείο εκκίνησης και σας δίνει μια βάση σύγκρισης για τις μετέπειτα προσαρμογές σας.

# Ορίζεται μόνο το n_epochs· τα υπόλοιπα είναι auto
job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-5.6-luna",
    hyperparameters={
        "n_epochs": 3
        # Τα learning_rate_multiplier και batch_size θα είναι auto
    }
)

Βασικά σημεία

  • Ξεκινάτε πάντα με τις προεπιλεγμένες τιμές (auto) πριν κάνετε προσαρμογές
  • n_epochs: προσαρμόστε το πρώτο, με βάση το μέγεθος των δεδομένων σας
  • learning_rate_multiplier: προσαρμόστε το αν η σύγκλιση είναι πολύ αργή ή πολύ ασταθής
  • batch_size: προσαρμόστε το αν η εκπαίδευση είναι θορυβώδης
  • Αλλάζετε μόνο μία υπερπαράμετρο τη φορά για να κατανοήσετε την επίδρασή της
  • Χρησιμοποιείτε πάντα ένα αρχείο επικύρωσης για να εντοπίσετε την υπερπροσαρμογή