Partilhar via

Criar uma execução de treinamento usando a interface do usuário de ajuste fino do modelo básico

  • Artigo

Importante

Este recurso está na visualização pública nas seguintes regiões: centralus, eastus, eastus2, northcentraluse westus.

Este artigo descreve como criar e configurar uma execução de treinamento usando a interface do usuário do ajuste fino do modelo básico (agora parte do Mosaic AI Model Training). Você também pode criar uma execução usando a API. Para obter instruções, consulte Criar uma execução de treinamento usando a API de ajuste fino do modelo básico.

Requerimentos

Consulte Requisitos.

Criar uma execução de treinamento usando a interface do usuário

Siga estas etapas para criar uma execução de treinamento usando a interface do usuário.

  1. Na barra lateral esquerda, clique em Experiências.

  2. No cartão Foundation Model Fine-tuning, clique em Create Mosaic AI Model Experiment.

    Formulário de experimento de modelo de fundação

  3. O formulário Ajuste fino do Modelo de Base é aberto. Os itens marcados com um asterisco são obrigatórios. Faça as suas seleções e, em seguida, clique em Iniciar Formação.

    Tipo: Selecione a tarefa a ser executada.

    Tarefa Descrição
    Ajuste fino de instruções Continue treinando um modelo básico com entrada de prompt e resposta para otimizar o modelo para uma tarefa específica.
    Pré-formação contínua Continue a formação de um modelo de base para lhe dar conhecimento específico do domínio.
    Conclusão do chat Continue treinando um modelo básico com logs de bate-papo para otimizá-lo para perguntas e respostas ou aplicativos de conversa.

    Selecionar modelo de fundação: selecione o modelo a ser ajustado ou treinado. Para obter uma lista de modelos suportados, consulte Modelos suportados.

    Dados de treinamento: Clique em Procurar para selecionar uma tabela no Catálogo Unity ou insira o URL completo para um conjunto de dados do Hugging Face. Para obter recomendações de tamanho de dados, consulte Tamanho de dados recomendado para treinamento de modelo.

    Se você selecionar uma tabela no Unity Catalog, também deverá selecionar o cálculo a ser usado para ler a tabela.

    Registre-se no local: selecione o catálogo e o esquema do Catálogo Unity nos menus suspensos. O modelo treinado é salvo neste local.

    Nome do modelo: o modelo é salvo com esse nome no catálogo e no esquema especificados. Um nome padrão aparece neste campo, que você pode alterar se desejar.

    Opções avançadas: para obter mais personalização, você pode definir configurações opcionais para avaliação, ajuste de hiperparâmetros ou treinar a partir de um modelo proprietário existente.

    Definição Descrição
    Duração da formação Duração da corrida de treinamento, especificada em épocas (por exemplo, 10ep) ou tokens (por exemplo, 1000000tok). A predefinição é 1ep.
    Taxa de aprendizagem A taxa de aprendizagem para a formação de modelos. A predefinição é 5e-7. O otimizador é DecoupledLionW com betas de 0,99 e 0,95 e sem deterioração de peso. O agendador da taxa de aprendizagem é LinearWithWarmupSchedule com um aquecimento de 2% da duração total do treinamento e um multiplicador da taxa de aprendizagem final de 0.
    Comprimento do contexto O comprimento máximo da sequência de uma amostra de dados. Dados mais longos do que essa configuração são truncados. O padrão depende do modelo selecionado.
    Dados de avaliação Clique em Procurar para selecionar uma tabela no Catálogo Unity ou insira o URL completo para um conjunto de dados do Hugging Face. Se você deixar esse campo em branco, nenhuma avaliação será realizada.
    Prompts de avaliação do modelo Digite prompts opcionais a serem usados para avaliar o modelo.
    Nome do experimento Por padrão, um novo nome gerado automaticamente é atribuído para cada execução. Opcionalmente, você pode inserir um nome personalizado ou selecionar um experimento existente na lista suspensa.
    Pesos personalizados Por padrão, o treinamento começa usando os pesos originais do modelo selecionado. Para começar com pesos personalizados de um ponto de verificação do Composer, insira o caminho para a tabela do Catálogo Unity que contém os valores de ponto de verificação.

Próximos passos

Após a conclusão da execução do treinamento, você poderá revisar as métricas no MLflow e implantar seu modelo para inferência. Consulte as etapas 5 a 7 do Tutorial: Criar e implantar uma execução de ajuste fino do modelo básico.

Consulte o bloco de anotações de demonstração Ajuste fino de instruções: reconhecimento de entidade nomeada para obter um exemplo de ajuste fino de instruções que percorre a preparação de dados, o ajuste fino, o treinamento, a execução, a configuração e a implantação.