Een trainingsuitvoering maken met behulp van de gebruikersinterface voor het verfijnen van foundationmodellen

Belangrijk

Deze functie bevindt zich in openbare preview in de volgende regio's: centralus, eastus, eastus2, en northcentraluswestus.

In dit artikel wordt beschreven hoe u een trainingsuitvoering maakt en configureert met behulp van de gebruikersinterface van Het Foundation-model fine-tuning (nu onderdeel van Mosaic AI Model Training). U kunt ook een uitvoering maken met behulp van de API. Zie Een trainingsuitvoering maken met behulp van de Foundation Model Fine-tuning-API voor instructies.

Eisen

Zie Vereisten.

Een trainingsuitvoering maken met behulp van de gebruikersinterface

Volg deze stappen om een trainingsuitvoering te maken met behulp van de gebruikersinterface.

1. Klik in de linkerzijbalk op Experimenten.

2. Klik op de kaart Foundation Model Fine-tuning op Mozaïek AI-modelexperiment maken.

   

3. Het formulier Voor het verfijnen van het Foundation-model wordt geopend. Items die zijn gemarkeerd met een sterretje zijn vereist. Maak uw selecties en klik vervolgens op Training starten.

   Type: Selecteer de taak die u wilt uitvoeren.

   Opdracht	Beschrijving
   Instructies afstemmen	Ga door met het trainen van een basismodel met prompt-en-antwoordinvoer om het model voor een specifieke taak te optimaliseren.
   Vervolgtraining	Ga door met het trainen van een basismodel om het domeinspecifieke kennis te geven.
   Chatvoltooiing	Ga door met het trainen van een basismodel met chatlogboeken om dit te optimaliseren voor Q&A- of gesprekstoepassingen.

   Basismodel selecteren: selecteer het model dat u wilt afstemmen of trainen. Zie Ondersteunde modellen voor een lijst met ondersteunde modellen.

   Trainingsgegevens: Klik op Bladeren om een tabel in Unity Catalog te selecteren of voer de volledige URL in voor een gegevensset met een knuffelend gezicht. Zie Aanbevolen gegevensgrootte voor modeltraining voor aanbevelingen voor gegevensgrootte.

   Als u een tabel in Unity Catalog selecteert, moet u ook het rekenproces selecteren dat u wilt gebruiken om de tabel te lezen.

   Registreren bij locatie: Selecteer de Unity Catalog-catalogus en het schema in de vervolgkeuzelijsten. Het getrainde model wordt opgeslagen op deze locatie.

   Modelnaam: Het model wordt opgeslagen met deze naam in de catalogus en het schema dat u hebt opgegeven. In dit veld wordt een standaardnaam weergegeven, die u desgewenst kunt wijzigen.

   Geavanceerde opties: Voor meer aanpassingen kunt u optionele instellingen configureren voor evaluatie, hyperparameterafstemming of trainen vanuit een bestaand eigen model.

   Instelling	Beschrijving
   Trainingsduur	Duur van de trainingsuitvoering, opgegeven in tijdvakken (bijvoorbeeld 10ep) of tokens (bijvoorbeeld 1000000tok). Standaard is 1ep.
   Leersnelheid	Het leerpercentage voor modeltraining. Standaard is 5e-7. De optimizer is Decoupled SliceW met bèta's van 0,99 en 0,95 en geen gewichtsverval. De learning rate scheduler is LinearWithWarmupSchedule met een opwarming van 2% van de totale trainingsduur en een uiteindelijke vermenigvuldiger van het leerpercentage van 0.
   Contextlengte	De maximale reekslengte van een gegevensvoorbeeld. Gegevens die langer zijn dan deze instelling, worden afgekapt. De standaardwaarde is afhankelijk van het geselecteerde model.
   Evaluatiegegevens	Klik op Bladeren om een tabel in Unity Catalog te selecteren of voer de volledige URL in voor een gegevensset met een hugging Face. Als u dit veld leeg laat, wordt er geen evaluatie uitgevoerd.
   Prompts voor modelevaluatie	Typ optionele aanwijzingen om het model te evalueren.
   Naam van experiment	Standaard wordt voor elke uitvoering een nieuwe, automatisch gegenereerde naam toegewezen. U kunt desgewenst een aangepaste naam invoeren of een bestaand experiment selecteren in de vervolgkeuzelijst.
   Aangepaste gewichten	Standaard begint de training met de oorspronkelijke gewichten van het geselecteerde model. Als u wilt beginnen met aangepaste gewichten van een Composer-controlepunt, voert u het pad in naar de Unity Catalog-tabel die de controlepuntwaarden bevat.

Volgende stappen

Nadat de trainingsuitvoering is voltooid, kunt u metrische gegevens bekijken in MLflow en uw model implementeren voor deductie. Zie stap 5 tot en met 7 van de zelfstudie: Een uitvoering voor het verfijnen van een Foundation-model maken en implementeren.

Zie het instructiedemonotitieblok: demonotitieblok voor entiteitsherkenning voor een voorbeeld van het verfijnen van instructies voor het voorbereiden van gegevens, het afstemmen van de configuratie en implementatie van trainingsuitvoeringen.