Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Hiperparametri: epohe, stopa učenja, veličina serije

Lekcija 6 od 16 Ažurirano 2. studenoga 2026. Napredno
Na ovoj stranici
  1. Uloga hiperparametara
  2. Broj epoha
  3. Množitelj stope učenja
  4. Veličina serije
  5. Metoda optimizacije
  6. Vrijednost „auto“
  7. Ključne točke

Ažuriranje 2. studenoga 2026. — Dostupnost fino podešavanja. OpenAI postupno ukida samostalno fino podešavanje: od 7. svibnja 2026. organizacije koje nikada nisu pokrenule zadatak fino podešavanja više ne mogu stvoriti novi; od 2. srpnja morali ste koristiti fino podešeni model u posljednjih 60 dana; a počevši od 6. siječnja 2027., nijedan korisnik neće moći pokrenuti nove zadatke. Već obučeni modeli ostaju upotrebljivi dok se njihov temeljni model ne povuče. Ovaj tečaj i dalje je koristan za razumijevanje i iskorištavanje postojećeg modela; za nove projekte dajte prednost inženjerstvu upita, RAG-u i evaluacijama.

Uloga hiperparametara

Tvoji podaci opisuju što model treba naučiti; hiperparametri opisuju kako uči. Prema zadanim postavkama, OpenAI automatski odabire razumne vrijednosti na temelju veličine tvog skupa podataka, a za prvi zadatak to je ispravan potez. No, kada model pokazuje loše rezultate unatoč čistom korpusu, razlika gotovo uvijek leži u ovim postavkama, a njihovo ručno podešavanje može značajno poboljšati rezultate.

Broj epoha

Epoha je jedan potpuni prolaz kroz cijeli tvoj skup podataka za obuku. Što više epoha pokreneš, to će model češće vidjeti svaki primjer i zadržati više detalja. Premalo epoha znači da model nije dovoljno naučio: to je nedovoljno prilagođavanje (underfitting), a tvoji odgovori i dalje izgledaju kao oni iz temeljnog modela. Previše epoha uzrokuje da model napamet nauči primjere umjesto da generalizira: to je preprilagođavanje (overfitting), pa model recitira tvojih stotinu odgovora iz obuke čim pitanje iole podsjeća na jedno od njih, dok se raspada na neviđenim formulacijama.

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

Ispravna postavka izravno ovisi o volumenu tvojih podataka: što imaš manje primjera, to ih moraš češće proći da bi signal zaživio.

Veličina skupa podataka Preporučene epohe Razlog
50–100 primjera 4–8 Malo podataka, potrebno više prolaza
100–500 primjera 2–4 Dobra ravnoteža učenja i generalizacije
500+ primjera 1–2 Dovoljno podataka, rizik od preprilagođavanja

Množitelj stope učenja

Stopa učenja kontrolira veličinu prilagodbi primijenjenih na težine modela u svakom koraku obuke. Ako je postavljena previsoko, model se previše agresivno ispravlja u svakom koraku, oscilira oko točnog odgovora i ne konvergira; ako je preniska, uči vrlo sporo ili uopće ne, pa na kraju obuke dobivaš model gotovo identičan početnom.

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

Zadana vrijednost automatski se izračunava u OpenAI-u na temelju veličine tvog skupa podataka. U praksi, raspon od 1,0 do 2,0 odgovara tom zadanom ponašanju i odgovara većini slučajeva. Smanjenje na 0,5–1,0 čini učenje opreznijim, što pomaže kod malih skupova podataka gdje bi nekoliko atipičnih primjera moglo previše skrenuti model s puta. Vrijednosti iznad 2,0 rezultiraju agresivnim učenjem, rezerviranim za situacije u kojima si primijetio da se model ne pomiče dovoljno — i to treba odmah provjeriti protiv gubitka validacije.

Veličina serije

Veličina serije određuje koliko se primjera obrađuje zajedno prije ažuriranja težina modela. Mala serija proizvodi česta ažuriranja: učenje je bučnije, svaki primjer snažno utječe na ispravak, ali je i responzivnije. Velika serija prosječuje više primjera prije svake ispravke, što rezultira rjeđim ažuriranjima i stabilnijim učenjem — to je poluga koju povlačiš kada su tvoje krivulje nestabilne bez očiglednog razloga.

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

Ne moraš ih podešavati odvojeno: sva tri parametra idu u isti rječnik.

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
    }
)

Metoda optimizacije

Klasična greška je promjena sve tri vrijednosti odjednom, uočavanje poboljšanja i nepoznavanje uzroka. Postupi ovim redoslijedom:

  1. Prvo pokretanje: ostavi vrijednosti na zadanim postavkama (auto)
  2. Analiziraj gubitak: ako gubitak obuke pada, ali gubitak validacije raste, radi se o preprilagođavanju
  3. Prilagodi jedan parametar odjednom: nikada ne mijenjaj sve odjednom
  4. Dokumentiraj svako pokretanje: zabilježi hiperparametre i rezultate

Ovaj zapis nije samo papirologija. Do trećeg ili četvrtog pokretanja, tablica koja povezuje ID zadatka, korištene hiperparametre i uočeni ishod svaki put nadmašuje tvoje pamćenje. Evo kako čitati najčešće simptome.

Uočeni simptomIspravak za isprobati
Gubitak obuke ne padaPovećaj stopu učenja ili broj epoha
Gubitak validacije rasteSmanji broj epoha, povećaj veličinu serije
Nestabilni rezultatiSmanji stopu učenja
Model previše sličan temeljnom modeluPovećaj broj epoha

Vrijednost „auto“

Ako ne navedeš hiperparametar, OpenAI automatski odabire optimalnu vrijednost. Dakle, nikada nisi prisiljen ispuniti sve: postavi ono što želiš kontrolirati, a ostalo prepusti automatskom podešavanju. To je često najbolja početna točka i daje ti osnovu za usporedbu s tvojim kasnijim prilagodbama.

# Postavljen je samo n_epochs; ostalo je auto
job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    model="gpt-5.6-luna",
    hyperparameters={
        "n_epochs": 3
        # learning_rate_multiplier i batch_size bit će auto
    }
)

Ključne točke

  • Uvijek započni sa zadanim vrijednostima (auto) prije podešavanja
  • n_epochs: prilagodi prvo, na temelju veličine tvojih podataka
  • learning_rate_multiplier: prilagodi ako je konvergencija prespora ili previše nestabilna
  • batch_size: prilagodi ako je obuka bučna
  • Mijenjaj samo jedan hiperparametar odjednom kako bi razumio njegov utjecaj
  • Uvijek koristi datoteku za validaciju za otkrivanje preprilagođavanja