这个例子中我们将会使用一个公开数据集，其中包含药品的名字,用来治疗的问题、疾病或症状。

我们会训练一个模型，”教导“它如何根据用户输入来预测输出。

用户的输入是药品的名字，输出是疾病的名字。

数据集位于http://Kaggle.com，可以通过这个地址来下载。

也可以访问这个URL，下载Medicine_description.xlsx文件。

这个文件中包含三个sheet，我们使用的是”Sheet1“，其中包含3列：

我们将会使用第一和第二列，也就是药品的名字和推荐的理由。比如：

这个数据文件是XLSX格式的文件，我们需要将其转换为JSONL格式，上一篇中已经介绍过，模型精调主要使用这一格式的文件。

我们还将使用这种内容格式：

可以看到，我们使用\nMalady:作为分隔符。

补完的部分也是以空格开始，还记得上篇中提到的最佳实践吗？

另外，最佳实践中还提到，补完的部分应该以一个固定的序列结尾，告诉模型到此结束。比如\n、###、END或其它前文中没有出现过的符号。

不过在我们的例子中这个倒不需要了，因为我们将使用单个token来标记分类的类别，也就是给每一个症状一个唯一的标识符，比如：

这样一来，模型在推断任何分类的时候都只需要返回单个的token，这也是为什么不再需要停止序列了。

一开始，先用Pandas将数据处理成想要的格式。

上面的代码从Excel文件中读取2000行内容，用以训练模型。当然你也可以使用更多的数据。

脚本一开始先从文件Medicine_description.xlsx中读取前面n行数据，保存在DataFrame的实例df中。

然后从df中获取Reason列中的类别，去除重复的，保存在数组reasons中，并为其中的理由赋以一个数值索引，保存在字典reasons_dict中。

接下来在Drug_Name列中的每一个药品名字后面添加换行符和”Malady:“分隔符。然后把Reason列中每个值替换为reasons_dict中的数值类别，前面加上一个空格。

在这个例子中，我们不需要Description列，所以我们从DataFrame中去除。

接下来把Drug_Name命名为prompt，Reason命名为completion。

最后把DataFrame的数据转成JSONL格式，保存在变量jsonl中，写入文件drug_malady_data.jsonl。

drug_malady_data.jsonl文件的内容看起来像下面这样：

数据集准备完毕，我们进入下一个环节，执行精调命令：

这一步会对数据进行分析，帮助我们理解模型是如何消化这些数据的：

你可以把数据分为两部分，一部分用于训练，另一部分用于验证。

终端还会给你提供用于训练模型的命令：

它还可以检测数据集中用到的类别数量。

最后，执行其提供的命令以启动训练。你可以指定模型，这里我们用的是ada，便宜，而且在我们的场景中表现不错。

你还可以为精调之后的模型名字添加后缀，我们使用的是drug_malady_data。

如果在任务完成之前和服务器断开了连接，可以使用下面的命令来重连及检查：

下面是任务完成之后的输出样例：

这里展示了精调任务的进展和状态。它给出ID，表示新的精调任务创建成功。它还展示了如下的信息：

当精调完成之后，可以通过下面的代码来验证它：

我们测试了3中药物名字，类别各部相同：

代码执行的结果应该是：

如果我们用下面的提示词来测试：

结果应该还是一样的。

我们可以在代码中添加一个映射，返回疾病的名字，而非类别的数值：