Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Aplica-se apenas a:Portal Foundry (clássico). Este artigo não está disponível para o novo portal da Foundry.
Saiba mais sobre o novo portal.
Nota
Os links neste artigo podem abrir conteúdo na nova documentação do Microsoft Foundry em vez da documentação do Foundry (clássico) que está a ver agora.
Importante
Os itens marcados (pré-visualização) neste artigo encontram-se atualmente em pré-visualização pública. Esta pré-visualização é fornecida sem um acordo de nível de serviço, e não a recomendamos para cargas de trabalho em produção. Certas funcionalidades podem não ser suportadas ou podem ter capacidades limitadas. Para mais informações, consulte Termos de Utilização Suplementares para Microsoft Azure Pré-visualizações.
Aprenda a afinar e implementar modelos usando computação gerida no Microsoft Foundry. Ajusta os parâmetros de treino (taxa de aprendizagem, tamanho do lote, épocas) para otimizar o desempenho.
Afinar finamente um modelo pré-treinado para uma tarefa relacionada é mais eficiente do que treinar um novo modelo do zero.
Use as definições de ajustamento fino no portal para configurar dados, computação e hiperparâmetros. Após a conclusão do treino, pode avaliar e implementar o modelo resultante.
Neste artigo, aprende como:
- Escolha um modelo de fundação.
- Configurar as divisões de computação e dados.
- Ajuste os hiperparâmetros de forma segura.
- Envie e acompanhe um trabalho de afinamento.
- Avaliar e implementar o modelo afinado.
Pré-requisitos
Importante
Este artigo fornece suporte legado para projetos baseados em hubs. Não funciona para projetos da Foundry. Veja : Como sei que tipo de projeto tenho?
Nota de compatibilidade SDK: Exemplos de código requerem uma versão específica do Microsoft Foundry SDK. Se encontrar problemas de compatibilidade, considere migrar de um projeto baseado em hub para um projeto Foundry.
- Uma conta no Azure com uma subscrição ativa. Se não tiveres uma, cria uma conta Azure free, que inclui uma subscrição de teste gratuita.
- Se não tiveres um, cria um projeto baseado em hubs.
- Os controlos de acesso baseados em funções do Azure (Azure RBAC) são usados para conceder acesso a operações no portal Foundry. Para realizar os passos deste artigo, a sua conta de utilizador deve ser atribuída ao papel proprietário ou contribuidor para a subscrição Azure. Para mais informações sobre permissões, consulte Controlo de acesso baseado em funções no portal Foundry.
Ajuste fino de um modelo de fundação usando computação gerida
Dica
Como podes personalizar o painel esquerdo no portal Microsoft Foundry, podes ver itens diferentes dos mostrados nestes passos. Se não vires o que procuras, seleciona ... Mais na parte inferior do painel esquerdo.
-
Iniciar sessão no Microsoft Foundry. Certifica-te de que a opção do New Foundry está desligada. Estes passos referem-se à Foundry (clássica).
Se ainda não estás no teu projeto, seleciona-o.
Selecione Ajuste fino no painel esquerdo.
- Seleciona Afinar um modelo e adiciona o modelo que queres afinar. Este artigo utiliza Phi-3-mini-4k-instruct como ilustração.
- Selecione Próximo para ver as opções de ajuste fino disponíveis. Alguns modelos de fundação suportam apenas a opção de computação gerida .
Em alternativa, podes selecionar catálogo de modelos na barra lateral esquerda do teu projeto e encontrar a ficha de modelos do modelo de fundação que queres afinar.
- Selecione Ajuste Fino na placa do modelo para ver as opções de ajuste fino disponíveis. Alguns modelos de fundação suportam apenas a opção de computação gerida .
Selecione Computação Gerida. Isto abre as definições básicas.
Configurar definições de ajuste fino
Nesta secção, segues os passos para configurar o ajuste fino para o teu modelo, usando um cálculo gerido.
Forneça um nome de modelo (por exemplo,
phi3mini-faq-v1). Selecione Próximo para Computar.Selecione o tamanho de uma máquina virtual de GPU. Garantir a quota para o SKU escolhido.
Selecione Próximo para dados de treino. O tipo de tarefa pode ser pré-definido (por exemplo, conclusão do chat).
Forneça dados de treino (carregue JSONL/CSV/TSV ou selecione um conjunto de dados registado). Equilibrar exemplos para reduzir o viés.
Selecione Next para dados de validação. Mantém a divisão automática ou fornece um conjunto de dados separado.
Selecione Next para os parâmetros da tarefa. Ajusta épocas, taxa de aprendizagem, tamanho do lote. Comece de forma conservadora; Itere com base em métricas de validação.
Selecione Seguinte para Rever. Confirma contagens e parâmetros.
Selecione Enviar para começar o trabalho.
Monitorizar e avaliar
- Acompanhe o estado das tarefas de ajuste fino na lista de trabalhos.
- Revise os registos para questões de pré-processamento ou alocação.
- Após a conclusão, visualize as métricas de avaliação geradas (se ativadas) ou execute uma avaliação separada comparando o modelo base vs o afinado.
Implementar o modelo afinado
Implementar a partir do resumo do trabalho. Use um nome de implementação como faq-v1. Registar a versão do modelo e o hash do conjunto de dados para reprodutibilidade. Adicione rastreamento para monitorizar pedidos reais.
Resolução de problemas
| Problema | Causa | Ação |
|---|---|---|
| Encalhado em Espera na Fila | Capacidade insuficiente da GPU | Experimenta SKU ou região alternativa |
| Overfitting rápido | Demasiadas épocas / conjunto de dados pequeno | Reduzir épocas ou expandir dados |
| Sem melhoria métrica | Ruído do conjunto de dados / objetivo desalinhado | Refinar rotulagem ou seleção de métricas |
| Maior latência após a implementação | Modelo base maior / sobrecarga do adaptador | Considere um modelo base mais pequeno ou ajuste o tamanho do lote. |