Hyperparametrit: Epookit, oppimisnopeus, eräkoko
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Hienosäädön saatavuus. OpenAI:n itsepalveluhienosäätö on poistumassa käytöstä: 7. toukokuuta 2026 lähtien organisaatiot, jotka eivät ole koskaan suorittaneet hienosäätötyötä, eivät voi enää luoda sellaista; 2. heinäkuuta lähtien sinun on täytynyt käyttää hienosäädettyä mallia viimeisen 60 päivän aikana; ja 6. tammikuuta 2027 alkaen mikään asiakas ei voi enää käynnistää uusia töitä. Jo koulutetut mallit pysyvät käytössä, kunnes niiden perusmalli poistetaan käytöstä. Tämä kurssi on edelleen hyödyllinen olemassa olevan mallin ymmärtämiseen ja hyödyntämiseen; uusissa projekteissa priorisoi kehotetekniikkaa, RAG:ia ja arviointia.
Hyperparametrien rooli
Data kuvaa, mitä mallin pitäisi oppia; hyperparametrit kuvaavat, miten se oppii. Oletuksena OpenAI valitsee automaattisesti järkevät arvot datajoukon koon perusteella, ja ensimmäisessä työssä tämä on oikea ratkaisu. Mutta jos malli suoriutuu heikosti puhtaasta aineistosta huolimatta, ero johtuu lähes aina näistä asetuksista, ja niiden manuaalinen säätäminen voi parantaa tuloksia merkittävästi.
Epookkien määrä
Epookki on yksi täysi kierros koko koulutusdatajoukon läpi. Mitä useamman epookin ajat, sitä useammin malli näkee jokaisen esimerkin ja sitä enemmän yksityiskohtia se pitää mielessään. Liian harvat epookit tarkoittavat, ettei malli ole oppinut tarpeeksi: tämä on alisovittamista (underfitting), ja vastauksesi näyttävät edelleen perusmallin tuottamilta. Liian monet epookit saavat mallin ulkoa oppimaan esimerkit yleistyksen sijaan: tämä on ylisovittamista (overfitting), jolloin malli luettelee sata koulutusvastaustasi heti, kun kysymys muistuttaa niitä edes etäisesti, mutta hajoaa näkemättömällä formuloinnilla.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"n_epochs": 3
}
)
Oikea asetus riippuu suoraan datamäärästäsi: mitä vähemmän esimerkkejä sinulla on, sitä useammin sinun on käytävä ne läpi, jotta signaali tarttuu.
| Datajoukon koko | Suositellut epookit | Syy |
|---|---|---|
| 50–100 esimerkkiä | 4–8 | Vähän dataa, tarvitsee enemmän kierroksia |
| 100–500 esimerkkiä | 2–4 | Hyvä tasapaino oppimisen ja yleistyksen välillä |
| 500+ esimerkkiä | 1–2 | Tarpeeksi dataa, ylisovittumisriski |
Oppimisnopeuskerroin
Oppimisnopeus ohjaa mallin painoarvoihin jokaisessa koulutusvaiheessa tehtävien säätöjen suuruutta. Jos se asetetaan liian korkeaksi, malli korjaa liian aggressiivisesti joka askeleella, heilahtelee oikean vastauksen ympärillä eikä suppene; jos se asetetaan liian matalaksi, se oppii hyvin hitaasti tai ei ollenkaan, jolloin koulutuksen lopussa oleva malli on lähes identtinen lähtötilanteen kanssa.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"learning_rate_multiplier": 1.8
}
)
Oletusarvon OpenAI laskee automaattisesti datajoukon koon perusteella. Käytännössä väli 1,0–2,0 vastaa tätä oletuskäyttäytymistä ja sopii useimpiin tapauksiin. Pudottaminen arvoon 0,5–1,0 tekee oppimisesta varovaisempaa, mikä auttaa pienissä datajoukoissa, joissa muutamat epätyypilliset esimerkit voisivat vetää mallin liian kauas raiteilta. Yli 2,0:n meneminen tuottaa aggressiivista oppimista, joka on varattu tilanteisiin, joissa olet havainnut mallin liikkuvan liian vähän – ja tämä tulisi tarkistaa välittömästi validaatiohäviön (validation loss) perusteella.
Eräkoko
Eräkoko määrittää, kuinka monta esimerkkiä käsitellään yhdessä ennen mallin painoarvojen päivittämistä. Pieni erä tuottaa tiheästi päivityksiä: oppiminen on kohinaisempaa, sillä jokainen esimerkki painaa korjauksessa paljon, mutta myös reagoivampaa. Suuri erä keskiarvoistaa enemmän esimerkkejä ennen jokaista korjausta, mikä johtaa harvempiin päivityksiin ja vakaampaan oppimiseen – tämä on vipu, jota kannattaa kääntää, kun käyräsi värisevät ilman näkyvää syytä.
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"batch_size": 4
}
)
Sinun ei tarvitse säätää näitä erikseen: kaikki kolme parametria menevät samaan sanakirjaan.
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
}
)
Optimointimenetelmä
Klassinen virhe on muuttaa kaikkia kolmea arvoa kerralla, havaita parannus eikä tietää, mikä niistä sen aiheutti. Etene tässä järjestyksessä:
- Ensimmäinen ajo: jätä arvot oletuksiin (auto)
- Analysoi häviö: jos koulutushäviö laskee mutta validaatiohäviö nousee, kyseessä on ylisovittaminen
- Säädä yhtä parametria kerrallaan: älä koskaan muuta kaikkea kerralla
- Dokumentoi jokainen ajo: merkitse muistiin hyperparametrit ja tulokset
Tämä loki ei ole pelkkää byrokratiaa. Kolmannella tai neljännellä ajolla taulukko, joka yhdistää työ-ID:n, käytetyt hyperparametrit ja havaitun lopputuloksen, voittaa muistisi joka kerta. Näin tulkitset yleisimmät oireet.
| Havaittu oire | Kokeiltava korjaus |
|---|---|
| Koulutushäviö ei laske | Kasvata oppimisnopeutta tai epookkien määrää |
| Validaatiohäviö nousee | Vähennä epookkien määrää, kasvata eräkokoa |
| Epävakaat tulokset | Vähennä oppimisnopeutta |
| Malli liian samanlainen kuin perusmalli | Kasvata epookkien määrää |
Arvo “auto”
Jos et määritä hyperparametria, OpenAI valitsee automaattisesti optimaalisen arvon. Sinun ei siis koskaan ole pakko täyttää kaikkea: aseta ne, jotka haluat hallita, ja jätä loput automaattiselle säädölle. Tämä on usein paras lähtökohta, ja se antaa vertailukohdan myöhemmille säädöillesi.
# Vain n_epochs on asetettu; loput ovat auto-tilassa
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-5.6-luna",
hyperparameters={
"n_epochs": 3
# learning_rate_multiplier ja batch_size ovat auto
}
)
Keskeiset asiat
- Aloita aina oletusarvoista (auto) ennen säätämistä
n_epochs: säädä ensimmäisenä datamääräsi perusteellalearning_rate_multiplier: säädä, jos suppeneminen on liian hidasta tai liian epävakaabatch_size: säädä, jos koulutus on kohinaista- Muuta vain yhtä hyperparametria kerrallaan ymmärtääksesi sen vaikutuksen
- Käytä aina validaatiotiedostoa ylisovittamisen havaitsemiseksi