Udostępnij za pośrednictwem

Tworzenie przebiegu trenowania przy użyciu interfejsu użytkownika dostrajania modelu podstawowego

  • Artykuł

Ważne

Ta funkcja jest dostępna w publicznej wersji zapoznawczej w następujących regionach: centralus, , eastuseastus2, northcentralusi westus.

W tym artykule opisano sposób tworzenia i konfigurowania przebiegu trenowania przy użyciu interfejsu użytkownika dostrajania modelu podstawowego (obecnie część interfejsu użytkownika trenowania modelu mozaiki sztucznej inteligencji). Możesz również utworzyć przebieg przy użyciu interfejsu API. Aby uzyskać instrukcje, zobacz Create a training run using the Foundation Model Fine-tuning API (Tworzenie przebiegu trenowania przy użyciu interfejsu API dostosowywania modelu podstawowego).

Wymagania

Zobacz Wymagania.

Tworzenie przebiegu trenowania przy użyciu interfejsu użytkownika

Wykonaj następujące kroki, aby utworzyć przebieg trenowania przy użyciu interfejsu użytkownika.

  1. Na lewym pasku bocznym kliknij pozycję Eksperymenty.

  2. Na karcie Dostrajanie modelu podstawowego kliknij pozycję Utwórz eksperyment modelu mozaiki AI.

    Formularz eksperymentu modelu podstawowego

  3. Zostanie otwarty formularz dostrajania modelu podstawowego. Wymagane są elementy oznaczone gwiazdką. Wybierz wybrane opcje, a następnie kliknij przycisk Rozpocznij szkolenie.

    Wpisz: Select zadanie do wykonania.

    Zadanie Opis
    Dostrajanie instrukcji Kontynuuj trenowanie modelu podstawowego z danymi wejściowymi monitu i odpowiedzi, aby optimize modelu dla określonego zadania.
    Dalsze wstępne szkolenie Kontynuuj trenowanie modelu podstawowego, aby zapewnić mu wiedzę specyficzną dla domeny.
    Uzupełnianie czatu Kontynuuj trenowanie modelu podstawowego przy użyciu logów czatu, aż optimize do aplikacji Q&A lub konwersacji.

    Select modelu podstawowego: Select model do dostrajania lub trenowania. Aby uzyskać list obsługiwanych modeli, zobacz Obsługiwane modele.

    dane trenowania: kliknij przycisk Przeglądaj, aby selecttable w środowisku Unity Cataloglub wprowadź pełny adres URL zestawu danych przytulania twarzy. Aby uzyskać zalecenia dotyczące rozmiaru danych, zobacz Zalecany rozmiar danych na potrzeby trenowania modelu.

    Jeśli selecttable w Unity Catalog, musisz również select obliczenia potrzebne do odczytania table.

    Zarejestruj się do lokalizacji: Select systemu Unity Catalogcatalog i schema z menu rozwijanych. Wytrenowany model jest zapisywany w tej lokalizacji.

    nazwa modelu: model jest zapisywany przy użyciu tej nazwy w określonym catalog i schema. W tym polu zostanie wyświetlona nazwa domyślna, którą można zmienić w razie potrzeby.

    Opcje zaawansowane: aby uzyskać więcej możliwości dostosowywania, można skonfigurować opcjonalne ustawienia oceny, dostrajania hiperparametrów lub trenować z istniejącego modelu zastrzeżonego.

    Ustawienie Opis
    Czas trwania szkolenia Czas trwania przebiegu trenowania określony w epokach (na przykład 10ep) lub tokenach (na przykład 1000000tok). Wartość domyślna to 1ep.
    Tempo nauki Wskaźnik uczenia na potrzeby trenowania modelu. Wartość domyślna to 5e-7. Optymalizator to DecoupledLionW z wersjami beta 0,99 i 0,95 i bez rozkładu masy. Harmonogram szybkości nauki to LinearWithWarmupSchedule z rozgrzewką wynoszącą 2% całkowitego czasu trwania szkolenia i ostatnim mnożnikiem szybkości nauki wynoszącym 0.
    Długość kontekstu Maksymalna długość sekwencji próbki danych. Dane dłuższe niż to ustawienie są obcinane. Wartość domyślna zależy od wybranego modelu.
    Dane do ewaluacji Kliknij przycisk Przeglądaj, aby selecttable w środowisku Unity Cataloglub wprowadź pełny adres URL zestawu danych Hugging Face. Jeśli to pole pozostanie puste, ocena nie zostanie wykonana.
    Monity dotyczące oceny modelu Wpisz opcjonalne monity, które mają być używane do oceny modelu.
    Nazwa eksperymentu Domyślnie nowa, automatycznie wygenerowana nazwa jest przypisywana dla każdego przebiegu. Opcjonalnie możesz wprowadzić nazwę niestandardową lub select istniejącego eksperymentu z listy rozwijanej list.
    Wagi niestandardowe Domyślnie trenowanie rozpoczyna się przy użyciu oryginalnych wag wybranego modelu. Aby rozpocząć od niestandardowych wag z punktu kontrolnego Composer , wprowadź ścieżkę do Unity Catalogtable, które zawiera punkt kontrolny values.

Następne kroki

Po zakończeniu przebiegu trenowania możesz przejrzeć metryki w środowisku MLflow i wdrożyć model na potrzeby wnioskowania. Zobacz kroki od 5 do 7 samouczka : tworzenie i wdrażanie przebiegu dostrajania modelu podstawowego.

Zobacz szczegółowe dostrajanie instrukcji: nazwany notes demonstracyjny rozpoznawania jednostek, aby zapoznać się z przykładem dostrajania instrukcji, który przeprowadzi cię przez proces przygotowywania danych, dostrajania przebiegu trenowania i wdrażania.