Dela via

Självstudie: Skapa och distribuera en grundmodell Finjusteringskörning

  • Artikel

Viktigt!

Den här funktionen finns i offentlig förhandsversion i följande regioner: centralus, eastus, eastus2, och .westusnorthcentralus

Den här artikeln beskriver hur du skapar och konfigurerar en körning med hjälp av API:et För grundläggande modell finjustering (nu en del av Mosaic AI Model Training) och granskar sedan resultaten och distribuerar modellen med hjälp av Databricks UI och Mosaic AI Model Serving.

Krav

  • En arbetsyta i någon av följande Azure-regioner: centralus, eastus, eastus2, northcentralus, , westcentralus, westus, westus3.
  • Databricks Runtime 12.2 LTS ML eller senare.
  • Den här självstudien måste köras i en Databricks-notebook-fil.
  • Träningsdata i godkänt format. Se Förbereda data för finjustering av foundation-modell.

Steg 1: Förbereda dina data för träning

Se Förbereda data för finjustering av foundation-modell.

Steg 2: Installera databricks_genai SDK

Använd följande för att installera SDK: et databricks_genai .

%pip install databricks_genai

Importera sedan foundation_model biblioteket:

dbutils.library.restartPython()
from databricks.model_training import foundation_model as fm

Steg 3: Skapa en träningskörning

Skapa en träningskörning med hjälp av funktionen Grundmodell Finjustering create() . Följande parametrar krävs:

  • model: den modell som du vill träna.
  • train_data_path: platsen för träningsdatauppsättningen i.
  • register_to: Katalogen och schemat för Unity-katalogen där du vill att kontrollpunkter ska sparas.

Till exempel:

run = fm.create(model='meta-llama/Meta-Llama-3.1-8B-Instruct',
                train_data_path='dbfs:/Volumes/main/my-directory/ift/train.jsonl', # UC Volume with JSONL formatted data
                register_to='main.my-directory',
                training_duration='1ep')

run

Steg 4: Visa status för en körning

Hur mycket tid det tar att slutföra en träningskörning beror på antalet token, modellen och GPU-tillgängligheten. För snabbare träning rekommenderar Databricks att du använder reserverad beräkning. Kontakta ditt Databricks-kontoteam för mer information.

När du har startat körningen kan du övervaka statusen för den med hjälp av get_events().

run.get_events()

Steg 5: Visa mått och utdata

Följ de här stegen för att visa resultatet i Databricks-användargränssnittet:

  1. I Databricks-arbetsytan klickar du på Experiment i det vänstra navigeringsfältet.
  2. Välj experimentet i listan.
  3. Granska måttdiagrammen på fliken Diagram . Träningsmått genereras för varje träningskörning och utvärderingsmått genereras endast om en utvärderingsdatasökväg tillhandahålls.
    1. Det primära träningsmåttet som visar förloppet är förlust. Utvärderingsförlust kan användas för att se om din modell överanpassar dina träningsdata. Förlust bör dock inte förlita sig helt på eftersom utvärderingsförlusten i övervakade träningsuppgifter kan verka vara överanpassning medan modellen fortsätter att förbättras.
    2. Ju högre noggrannhet desto bättre är din modell, men tänk på att noggrannhet nära 100 % kan visa överanpassning.
    3. Följande mått visas i MLflow efter körningen:
      • LanguageCrossEntropy beräknar korsentropi på utdata för språkmodellering. En lägre poäng är bättre.
      • LanguagePerplexity mäter hur väl en språkmodell förutsäger nästa ord eller tecken i ett textblock baserat på tidigare ord eller tecken. En lägre poäng är bättre.
      • TokenAccuracy beräknar precision på tokennivå för språkmodellering. En högre poäng är bättre.
    4. På den här fliken kan du också visa utdata från dina utvärderingsprompter om du har angett dem.

Steg 6: Utvärdera flera anpassade modeller med Mosaic AI Agent Evaluation innan du distribuerar

Se Vad är Mosaic AI Agent Evaluation?.

Steg 7: Distribuera din modell

Träningskörningen registrerar automatiskt din modell i Unity Catalog när den är klar. Modellen registreras baserat på vad du angav i register_to fältet i körningsmetoden create() .

Följ dessa steg för att distribuera modellen för servering:

  1. Navigera till modellen i Unity Catalog.
  2. Klicka på Hantera den här modellen.
  3. Klicka på Skapa serverdelsslutpunkt.
  4. Ange ett namn för slutpunkten i fältet Namn .
  5. Klicka på Skapa.

Ytterligare resurser