Skapa en träningskörning med hjälp av basmodellens finjusteringsgränssnitt
Viktigt!
Den här funktionen finns i offentlig förhandsversion i följande regioner: centralus
, eastus
, eastus2
, och .northcentralus
westus
Den här artikeln beskriver hur du skapar och konfigurerar en träningskörning med hjälp av basmodellens finjustering (nu en del av Mosaic AI Model Training) användargränssnittet. Du kan också skapa en körning med hjälp av API:et. Anvisningar finns i Skapa en träningskörning med hjälp av API:et för finjustering av foundation-modellen.
Krav
Se Krav.
Skapa en träningskörning med hjälp av användargränssnittet
Följ de här stegen för att skapa en träningskörning med hjälp av användargränssnittet.
I det vänstra sidofältet klickar du på Experiment.
På kortet Finjustering av foundation-modell klickar du på Skapa Mosaik AI-modellexperiment.
Formuläret För finjustering av grundmodell öppnas. Objekt som är markerade med en asterisk krävs. Gör dina val och klicka sedan på Starta träning.
Typ: Välj den uppgift som ska utföras.
Uppgift beskrivning Finjustering av instruktioner Fortsätt att träna en grundmodell med prompt-and-response-indata för att optimera modellen för en specifik uppgift. Fortsatt förträning Fortsätt att träna en grundmodell för att ge den domänspecifik kunskap. Chatten har slutförts Fortsätt att träna en grundmodell med chattloggar för att optimera den för Q&A- eller konversationsprogram. Välj grundmodell: Välj den modell som ska justeras eller tränas. För en lista över stödda modeller, se modeller som stöds.
Träningsdata: Klicka på Bläddra för att välja en tabell i Unity Catalog eller ange den fullständiga URL:en för en Hugging Face-datauppsättning. Rekommendationer för datastorlek finns i Rekommenderad datastorlek för modellträning.
Om du väljer en tabell i Unity Catalog måste du också välja den beräkning som ska användas för att läsa tabellen.
Registrera dig på plats: Välj Unity Catalog-katalogen och schemat i listrutorna. Den tränade modellen sparas på den här platsen.
Modellnamn: Modellen sparas med det här namnet i katalogen och schemat som du angav. Ett standardnamn visas i det här fältet, som du kan ändra om du vill.
Avancerade alternativ: Om du vill ha mer anpassning kan du konfigurera valfria inställningar för utvärdering, justering av hyperparametrar eller träna från en befintlig egen modell.
Inställning beskrivning Träningsvaraktighet Varaktighet för träningskörningen, som anges i epoker (till exempel 10ep
) eller token (till exempel1000000tok
). Standard är1ep
.Inlärningstakt Inlärningsfrekvensen för modellträning. Standard är 5e-7
. Optimeraren är DecoupledLionW med betaversioner på 0,99 och 0,95 och ingen vikt förfall. Schemaläggaren för inlärningsfrekvens är LinearWithWarmupSchedule med en uppvärmning på 2 % av den totala utbildningsvaraktigheten och en slutlig inlärningsfrekvensmultiplikator på 0.Kontextlängd Den maximala sekvenslängden för ett dataexempel. Data som är längre än den här inställningen trunkeras. Standardvärdet beror på vilken modell som valts. Utvärdering av data Klicka på Bläddra för att välja en tabell i Unity Catalog eller ange den fullständiga URL:en för en Hugging Face-datauppsättning. Om du lämnar det här fältet tomt utförs ingen utvärdering. Frågor om modellutvärdering Ange valfria uppmaningar som ska användas för att utvärdera modellen. Experimentnamn Som standard tilldelas ett nytt, automatiskt genererat namn för varje körning. Du kan också ange ett anpassat namn eller välja ett befintligt experiment i listrutan. Anpassade vikter Som standard börjar träningen med den valda modellens ursprungliga vikter. Om du vill börja med anpassade vikter från en Composer-kontrollpunktanger du sökvägen till tabellen Unity Catalog som innehåller kontrollpunktsvärdena.
Nästa steg
När träningskörningen är klar kan du granska mått i MLflow och distribuera din modell för slutsatsdragning. Se steg 5 till och med 7 i Självstudie: Skapa och distribuera en grundmodell Finjusteringskörning.
Se instruktionens finjustering: Den namngivna demoanteckningsboken För entitetsigenkänning finns ett exempel på finjustering av instruktioner som går igenom dataförberedelser, finjustering av träningskörningskonfiguration och distribution.