Az Azure Machine Tanulás által válogatott nyílt forráskódú alapmodellek használata
Ebből a cikkből megtudhatja, hogyan finomíthatja, értékelheti és helyezheti üzembe az alapmodelleket a Modellkatalógusban.
Az előre betanított modelleket gyorsan tesztelheti a modellkártyán található Mintakövető űrlap használatával, és saját mintabemenetet biztosít az eredmény teszteléséhez. Emellett az egyes modellek modellkártyája tartalmazza a modell rövid leírását, valamint a modell kódalapú következtetési, finomhangolási és kiértékelési mintáira mutató hivatkozásokat.
Alapmodellek kiértékelése saját tesztadatokkal
Az alapmodellt kiértékelheti a tesztadatkészleten a Felhasználói felület kiértékelése űrlap vagy a modellkártyáról csatolt kódalapú minták használatával.
Kiértékelés a stúdió használatával
A Modell kiértékelése űrlapot a modellkártyán található Kiértékelés gombra kattintva hívhatja meg bármely alapmodellhez.
Minden modell kiértékelhető az adott következtetési tevékenységhez, amelyet a modell használni fog.
Adatok tesztelése:
- Adja meg a modell kiértékeléséhez használni kívánt tesztadatokat. Választhat, hogy feltölt egy helyi fájlt (JSONL formátumban), vagy kiválaszt egy meglévő regisztrált adatkészletet a munkaterületről.
- Miután kiválasztotta az adathalmazt, le kell képeznie a bemeneti adatok oszlopait a feladathoz szükséges séma alapján. Képezd le például a szövegbesorolás "mondat" és "címke" kulcsainak megfelelő oszlopneveket
Számítás:
Adja meg a modell finomhangolásához használni kívánt Azure Machine Tanulás Compute-fürtöt. A kiértékelésnek GPU-számításon kell futnia. Győződjön meg arról, hogy elegendő számítási kvótával rendelkezik a használni kívánt számítási termékváltozatokhoz.
A kiértékelési feladat elküldéséhez válassza a Befejezés lehetőséget a Kiértékelési űrlapon. A feladat befejezése után megtekintheti a modell kiértékelési mérőszámait. A kiértékelési metrikák alapján eldöntheti, hogy szeretné-e finomhangolni a modellt a saját betanítási adataival. Emellett eldöntheti, hogy regisztrálni szeretné-e a modellt, és üzembe szeretné-e helyezni egy végponton.
Kiértékelés kódalapú minták használatával
Annak érdekében, hogy a felhasználók megkezdhessék a modellértékelést, közzétettünk mintákat (Python-jegyzetfüzeteket és CLI-példákat is) az AzureML-példák git-adattárában található kiértékelési mintákban. Minden modellkártya a megfelelő feladatok kiértékelési mintáira is hivatkozik
Alapmodellek finomhangolása saját betanítási adatokkal
A számítási feladatok modellteljesítményének javításához érdemes lehet finomhangolni egy alapmodellt a saját betanítási adataival. Ezeket az alapmodelleket egyszerűen finomhangolhatja a stúdió finomhangolási beállításaival, vagy a modellkártyáról csatolt kódalapú minták használatával.
Finomhangolás a stúdióval
A finomhangolási beállítások űrlapot úgy hívhatja meg, ha a modellkártyán a Finomhangolás gombot választja bármely alapmodellhez.
Gépház finomhangolása:
Feladattípus finomhangolása
- A modellkatalógus minden előre betanított modellje finomhangolható egy adott tevékenységcsoporthoz (például: Szövegbesorolás, Jogkivonat-besorolás, Kérdés megválaszolása). Válassza ki a kívánt feladatot a legördülő listában.
Betanítási adatok
Adja meg a modell finomhangolásához használni kívánt betanítási adatokat. Választhat, hogy feltölt egy helyi fájlt (JSONL, CSV vagy TSV formátumban), vagy kiválaszt egy meglévő regisztrált adatkészletet a munkaterületről.
Miután kiválasztotta az adathalmazt, le kell képeznie a bemeneti adatok oszlopait a feladathoz szükséges séma alapján. Például: a szövegbesorolás "mondat" és "címke" kulcsainak megfelelő oszlopnevek leképezése
- Érvényesítési adatok: Adja meg a modell ellenőrzéséhez használni kívánt adatokat. Az automatikus felosztás kiválasztása a betanítási adatok automatikus felosztását foglalja le az ellenőrzéshez. Másik lehetőségként másik érvényesítési adatkészletet is megadhat.
- Tesztadatok: Adja meg a finomhangolt modell kiértékeléséhez használni kívánt tesztadatokat. Az Automatikus felosztás kiválasztása a betanítási adatok automatikus felosztását foglalja le a teszteléshez.
- Számítás: Adja meg a modell finomhangolásához használni kívánt Azure Machine Tanulás Számítási fürtöt. A finomhangolásnak GPU-számításon kell futnia. Finomhangoláskor a számítási termékváltozatokat A100/V100 GPU-kkal javasoljuk. Győződjön meg arról, hogy elegendő számítási kvótával rendelkezik a használni kívánt számítási termékváltozatokhoz.
- A finomhangolási feladat elküldéséhez válassza a Befejezés lehetőséget a finomhangolási űrlapon. A feladat befejezése után megtekintheti a finomhangolt modell kiértékelési mérőszámait. Ezután a finomhangolási feladattal regisztrálhatja a finomhangolt modell kimenetét, és üzembe helyezheti ezt a modellt egy végponton a következtetéshez.
Finomhangolás kódalapú minták használatával
Az Azure Machine Tanulás jelenleg a következő nyelvi feladatokhoz támogatja a modellek finomhangolását:
- Szövegbesorolás
- Jogkivonatok besorolása
- Kérdésmegválaszolás
- Összegzés
- Fordítás
Annak érdekében, hogy a felhasználók gyorsan elkezdhessék a finomhangolást, közzétettük a mintákat (Mind a Python-jegyzetfüzeteket, mind a CLI-példákat) az azureml-példák git-adattár Finetune-mintáiban szereplő feladatokhoz. Minden modellkártya a támogatott finomhangolási feladatok finomhangolási mintáira is hivatkozik.
Alapmodellek üzembe helyezése végpontokon következtetés céljából
Az alapmodelleket (a modellkatalógusból előre betanított modelleket és a finomhangolt modelleket is üzembe helyezheti, miután regisztrálták őket a munkaterületre) egy végpontra, amely aztán következtetésre használható. A kötegvégpontokra és a valós idejű végpontokra való üzembe helyezés egyaránt támogatott. Ezeket a modelleket a Felhasználói felület üzembe helyezése varázslóval vagy a modellkártyáról csatolt kódalapú minták használatával helyezheti üzembe.
Üzembe helyezés a studióval
A Felhasználói felület üzembe helyezése űrlapot úgy hívhatja meg, hogy kiválasztja a modellkártyán található Üzembe helyezés gombot bármely alapmodellhez, és kiválasztja a valós idejű végpontot vagy a Batch-végpontot
Telepítési beállítások
Mivel a pontozási szkript és a környezet automatikusan bekerül az alapmodellbe, csak a használni kívánt virtuálisgép-termékváltozatot, a példányok számát és az üzembe helyezéshez használni kívánt végpontnevet kell megadnia.
Megosztott kvóta
Ha Láma-2, Phi, Nemotron, Mistral, Dolly vagy Deci-DeciLM modellt helyez üzembe a modellkatalógusból, de nem rendelkezik elegendő kvótával az üzembe helyezéshez, az Azure Machine Tanulás lehetővé teszi, hogy korlátozott ideig használjon kvótát egy megosztott kvótakészletből. A megosztott kvótával kapcsolatos további információkért tekintse meg az Azure Machine Learning megosztott kvótát.
Üzembe helyezés kódalapú minták használatával
Annak érdekében, hogy a felhasználók gyorsan elkezdhessék az üzembe helyezést és a következtetést, közzétettük a mintákat az Azureml-examples git adattárban található Következtetési mintákban. A közzétett minták Python-jegyzetfüzeteket és CLI-példákat tartalmaznak. Minden modellkártya a valós idejű következtetési mintákra és a Batch-következtetésekre is hivatkozik.
Alapmodellek importálása
Ha olyan nyílt forráskód modellt szeretne használni, amely nem szerepel a modellkatalógusban, importálhatja a modellt a Face öleléséből az Azure Machine Tanulás-munkaterületre. Az Ölelés arc egy nyílt forráskódú kódtár a természetes nyelvi feldolgozáshoz (NLP), amely előre betanított modelleket biztosít a népszerű NLP-feladatokhoz. A modellimportálás jelenleg a következő feladatokhoz támogatja a modellek importálását, amennyiben a modell megfelel a modell importálási jegyzetfüzetében felsorolt követelményeknek:
- kitöltési maszk
- jogkivonat-besorolás
- kérdések megválaszolása
- Összefoglaló
- szöveggenerálás
- szövegbesorolás
- fordítás
- képbesorolás
- szövegről képre
Megjegyzés:
A Face öleléséből származó modellekre az Ölelés Arc modell részletei oldalon elérhető külső licencfeltételek vonatkoznak. Az Ön felelőssége, hogy megfeleljen a modell licencfeltételeinek.
A modellkatalógus jobb felső sarkában található Importálás gombra kattintva használhatja a Modellimportáló jegyzetfüzetet.
A modell importálási jegyzetfüzete az azureml-examples git-adattárban is megtalálható.
A modell importálásához át kell adnia az MODEL_ID
Ölelés arcról importálni kívánt modellt. Tallózzon a Face Hub ölelésében használt modellek között, és azonosítsa az importálni kívánt modellt. Győződjön meg arról, hogy a modell tevékenységtípusa a támogatott tevékenységtípusok közé tartozik. Másolja ki a modellazonosítót, amely elérhető az oldal URI-jában, vagy a modell neve melletti másolás ikonnal másolható. Rendelje hozzá a modell importálási jegyzetfüzetében található "MODEL_ID" változóhoz. Például:
Meg kell adnia a modellimportálás futtatásához szükséges számítást. A Modellimportálás futtatása azt eredményezi, hogy a megadott modell importálása az Ölelés arcról történik, és regisztrálva van az Azure Machine Tanulás-munkaterületen. Ezután finomhangolhatja ezt a modellt, vagy üzembe helyezheti azt egy végponton következtetés céljából.
Tudjon meg többet
- Fedezze fel a modellkatalógust az Azure Machine Tanulás Studióban. A katalógus megismeréséhez Azure Machine Tanulás-munkaterületre van szüksége.
- A modellkatalógus és -gyűjtemények megismerése