Sdílet prostřednictvím

Vytvoření trénovacího spuštění pomocí uživatelského rozhraní pro vyladění základního modelu

  • Článek

Důležité

Tato funkce je ve verzi Public Preview v následujících oblastech: centralus, eastus, eastus2, northcentralusa westus.

Tento článek popisuje, jak vytvořit a nakonfigurovat trénovací běh pomocí základního modelu jemného ladění (nyní součástí uživatelského rozhraní Pro trénování modelu Puzzle AI). Spuštění můžete vytvořit také pomocí rozhraní API. Pokyny najdete v tématu Vytvoření trénovacího spuštění pomocí rozhraní API pro vyladění základního modelu.

Požadavky

Viz Požadavky.

Vytvoření trénovacího spuštění pomocí uživatelského rozhraní

Pomocí těchto kroků vytvořte trénovací běh pomocí uživatelského rozhraní.

  1. Na levém bočním panelu klikněte na Experimenty.

  2. Na kartě Jemné ladění základního modelu klepněte na tlačítko Vytvořit experiment modelu AI s architekturou AI.

    Formulář experimentu základního modelu

  3. Otevře se formulář Jemné ladění základního modelu. Položky označené hvězdičkou jsou povinné. Vyberte požadované položky a klikněte na tlačítko Zahájit trénování.

    Typ: Vyberte úkol, který chcete provést.

    Úloha Popis
    Vyladění instrukcí Pokračujte v trénování výchozího modelu pomocí vstupů ve formě výzev a odpovědí, abyste model optimalizovali pro konkrétní úkol.
    Pokračování v předškolení Pokračujte v trénování základního modelu, abyste získali znalosti specifické pro danou doménu.
    Dokončení chatu Pokračujte v trénování základního modelu pomocí protokolů chatu a optimalizujte ho pro Q&A nebo konverzační aplikace.

    Vyberte základní model: Vyberte model, který chcete vyladit nebo trénovat. Seznam podporovaných modelů najdete v tématu Podporované modely.

    Trénovací data: Vyberte tabulku v Unity Catalog kliknutím na Procházet nebo zadejte úplnou adresu URL pro datovou sadu Hugging Face. Doporučení týkající se velikosti dat najdete v tématu Doporučená velikost dat pro trénování modelu.

    Pokud vyberete tabulku v katalogu Unity, musíte také vybrat výpočetní prostředky, které se mají použít ke čtení tabulky.

    Registrace do umístění: V rozevíracích nabídkách vyberte katalog 'Unity Catalog' a schéma. Trénovaný model se uloží do tohoto umístění.

    Název modelu: Model se uloží s tímto názvem v katalogu a schématu, které jste zadali. V tomto poli se zobrazí výchozí název, který můžete v případě potřeby změnit.

    Pokročilé možnosti: Pro další přizpůsobení můžete nakonfigurovat volitelná nastavení pro vyhodnocení, ladění hyperparametrů nebo trénování z existujícího proprietárního modelu.

    Nastavení Popis
    Doba trvání trénování Doba trvání trénovacího spuštění zadaného v epochách (například 10ep) nebo tokenech (například 1000000tok). Výchozí hodnota je 1ep.
    Rychlost učení Rychlost výuky pro trénování modelu. Výchozí hodnota je 5e-7. Optimalizátor je OddělenýLionW s beta verzemi 0,99 a 0,95 a bez snížení hmotnosti. Plánovač rychlosti učení je LinearWithWarmupSchedule s rozcvičením 2 % celkové doby trénování a násobitelem konečné rychlosti učení 0.
    Délka kontextu Maximální délka sekvence vzorku dat. Data delší než toto nastavení jsou zkrácena. Výchozí nastavení závisí na vybraném modelu.
    Data pro vyhodnocení Klikněte na Procházet a vyberte tabulku v Unity Catalog nebo zadejte úplnou adresu URL pro datovou sadu Hugging Face. Pokud toto pole necháte prázdné, neprovádí se žádné vyhodnocení.
    Výzvy k vyhodnocení modelu Zadejte volitelné výzvy k vyhodnocení modelu.
    Název experimentu Ve výchozím nastavení je pro každé spuštění přiřazen nový automaticky vygenerovaný název. Volitelně můžete zadat vlastní název nebo vybrat existující experiment z rozevíracího seznamu.
    Vlastní váhy Ve výchozím nastavení trénování začíná použitím původních hmotností vybraného modelu. Pokud chcete začít s vlastními váhami z checkpointu Composer , zadejte cestu k tabulce Unity Catalog, která obsahuje hodnoty checkpointů.

Další kroky

Po dokončení trénovacího spuštění můžete zkontrolovat metriky v MLflow a nasadit model pro odvozování. Projděte si kroky 5 až 7 kurzu: Vytvoření a nasazení spuštění ladění základního modelu.

Podívejte se na podrobné ladění instrukcí: Pojmenovaný poznámkový blok ukázky rozpoznávání entit pro příklad podrobného ladění instrukcí, který vás provede přípravou dat, vyladěním konfigurace a nasazením trénovacího spuštění.