Collection et catalogue de modèles
Le catalogue de modèles dans Azure Machine Learning studio est le hub d’une grande variété d’open source tiers, ainsi que des modèles de base développés par Microsoft et préentraînés pour divers cas d’usage visuels, vocaux et linguistiques. Vous pouvez évaluer, personnaliser et déployer ces modèles avec les capacités natives afin de générer et mettre en œuvre des modèles de base open source à grande échelle pour intégrer facilement ces modèles préentraînés dans vos applications avec une gouvernance des données et une sécurité de qualité professionnelle.
- Découvrir : passez en revue les descriptions de modèles, essayez d’utiliser des exemples d’inférence et parcourez des exemples de code pour évaluer, ajuster ou déployer le modèle.
- Évaluer : évaluez l’adaptation du modèle à votre charge de travail spécifique en fournissant vos propres données de test. Les métriques d’évaluation facilitent la visualisation de l’exécution du modèle sélectionné dans votre scénario.
- Ajuster : personnalisez ces modèles en tirant parti de vos propres données d’apprentissage. Optimisations intégrées qui accélèrent l’ajustement et réduisent la mémoire et le calcul nécessaires à l’ajustement. Appliquez les fonctionnalités d’expérimentation et de suivi d’Azure Machine Learning pour organiser vos travaux d’apprentissage et trouver le modèle le mieux adapté à vos besoins.
- Déployer : déployez en toute transparence des modèles de fondation préentraînés ou des modèles ajustés sur des points de terminaison en ligne pour une inférence en temps réel ou des points de terminaison par lots pour le traitement de jeux de données d’inférence volumineux en mode travail. Appliquez des fonctionnalités d’opérationnalisation Machine Learning de pointe dans Azure Machine Learning.
- Importer : des modèles open source sont fréquemment publiés. Vous pouvez toujours utiliser les modèles les plus récents dans Azure Machine Learning en important des modèles similaires à ceux du catalogue. Par exemple, vous pouvez importer des modèles pour des tâches prises en charge qui utilisent les mêmes bibliothèques.
Vous commencez par explorer les collections de modèles ou par le filtrage basé sur des tâches et des licences afin de trouver le modèle pour votre cas d’usage. Task
appelle la tâche d’inférence pour laquelle ce modèle de base peut être utilisé. Finetuning-tasks
répertorier les tâches pour lesquelles ce modèle peut être ajusté. License
appelle les informations de licence.
Collections
Il existe trois types de collection dans le catalogue de modèles :
Modèles open source organisés par Azure AI : les modèles tiers open source les plus connus sont organisés par Azure Machine Learning. Ces modèles sont empaquetés pour une utilisation prête à l’emploi et sont optimisés pour une utilisation dans Azure Machine Learning, offrant des performances et un débit de pointe sur du matériel Azure. Ils offrent une prise en charge native de l’entraînement distribué et peuvent être facilement transférés sur du matériel Azure.
« Organisée par Azure AI » et les collections de partenaires tels que Meta, NVIDIA, Mistral AI constituent toutes les collections organisées sur le catalogue.
Modèles Azure OpenAI exclusivement disponibles sur Azure : déployez des modèles Azure OpenAI via la collection « Azure OpenAI » dans le catalogue de modèles.
Modèles transformers à partir du hub HuggingFace : des milliers de modèles du hub HuggingFace sont accessibles via la collection « Hugging Face » pour une inférence en temps réel avec des points de terminaison en ligne.
Important
Les modèles du catalogue de modèles sont couverts par des licences tierces. Comprenez la licence des modèles que vous envisagez d’utiliser et vérifiez que la licence autorise votre cas d’utilisation.
Certains modèles du catalogue de modèles sont actuellement en préversion.
Des modèles sont en préversion si une ou plusieurs des instructions suivantes s’y appliquent :
Le modèle n’est pas utilisable (peut être déployé, ajusté et évalué) au sein d’un réseau isolé.
L’empaquetage du modèle et le schéma d’inférence sont susceptibles d’être modifiés pour des versions plus récentes du modèle.
Pour obtenir plus d’informations sur la préversion, consultez Avenant aux conditions d’utilisation pour les préversions de Microsoft Azure.
Comparer les fonctionnalités des modèles par collection
Fonctionnalité | Modèles open source organisés par Azure Machine Learning | Modèles de transformateurs à partir du hub HuggingFace |
---|---|---|
Inférence | Inférence en ligne et par lots | Inférence en ligne |
Évaluation et ajustement | Évaluer et ajuster avec l’interface utilisateur, le Kit de développement logiciel (SDK) ou l’interface CLI | non disponible |
Importer des modèles | Prise en charge limitée de l’importation de modèles à l’aide du Kit de développement logiciel (SDK) ou de l’interface CLI | non disponible |
Comparer des attributs des collections
Attribut | Modèles open source organisés par Azure Machine Learning | Modèles de transformateurs à partir du hub HuggingFace |
---|---|---|
Format de modèle | Organisé au format de modèle MLFlow ou Triton pour un déploiement sans code en toute transparence avec des points de terminaison en ligne et par lots | Transformateurs |
Hébergement de modèles | Pondérations du modèle hébergées sur Azure | Les pondérations de modèles sont extraites à la demande pendant le déploiement à partir du hub HuggingFace. |
Utilisation dans un espace de travail isolé de réseau | Capacité sortante prête à l’emploi pour utiliser des modèles. Certains modèles nécessitent une sortie vers des domaines publics pour installer des packages lors de l’exécution. | Autoriser la sortie vers le hub HuggingFace, le hub Docker et leurs CDN |
Assistance technique | Prise en charge par Microsoft et couverture par le Contrat de niveau de service Azure Machine Learning | Hugging Face et gère des modèles répertoriés dans le registre HuggingFace de la communauté. Utilisez le Forum HuggingFace ou le Support HuggingFace pour obtenir de l’aide. |
En savoir plus
- Découvrez comment utiliser des modèles de fondation dans Azure Machine Learning pour l’ajustement, l’évaluation et le déploiement en tirant parti de l’interface utilisateur d’Azure Machine Learning studio ou de méthodes basées sur le code.
- Explorez le catalogue de modèles dans Azure Machine Learning studio. Vous avez besoin d’un espace de travail Azure Machine Learning pour explorer le catalogue.
- Évaluer, ajuster et déployer des modèles organisés par Azure Machine Learning.