Azure AI Studio'da Meta Llama modellerinde ince ayar yapma
Önemli
Bu makalede açıklanan özelliklerden bazıları yalnızca önizleme aşamasında kullanılabilir. Bu önizleme, hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için önerilmez. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir. Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.
Azure AI Studio, ince ayar olarak bilinen bir işlemi kullanarak büyük dil modellerini kişisel veri kümelerinize uyarlamanıza olanak tanır.
Hassas ayarlama, belirli görevler ve uygulamalar için özelleştirmeyi ve iyileştirmeyi etkinleştirerek önemli bir değer katar. Gelişmiş performans, maliyet verimliliği, düşük gecikme süresi ve özel çıkışlar sunar.
Bu makalede, Azure AI Studio'da Meta Llama modellerinde ince ayarlama yapmayı öğreneceksiniz.
Büyük dil modellerinden (LLM) oluşan Meta Llama ailesi, 7 milyar ila 70 milyar parametre arasında ölçeklendirilen önceden eğitilmiş ve ince ayarlı üretken metin modellerinden oluşan bir koleksiyondur. Model ailesi, Lama-2-sohbet olarak adlandırılan İnsan Geri Bildirimlerinden Pekiştirme Öğrenmesi (RLHF) ile diyalog kullanım örnekleri için en iyi duruma getirilmiş ince ayarlı sürümleri de içerir.
Modeller
Lama 3 modellerinde ince ayar şu anda desteklenmiyor.
Önkoşullar
Lama 3 modellerinde ince ayar şu anda desteklenmiyor.
Abonelik sağlayıcısı kaydı
Aboneliğin kaynak sağlayıcısına Microsoft.Network
kayıtlı olduğunu doğrulayın.
Azure Portal’ında oturum açın.
Soldaki menüden Abonelikler'i seçin.
Kullanmak istediğiniz aboneliği seçin.
Soldaki menüden Ayarlar> Kaynak sağlayıcıları'nı seçin.
Microsoft.Network'ün kaynak sağlayıcıları listesinde olduğunu onaylayın. Aksi takdirde ekleyin.
Veri hazırlama
Modelinize hassas ayar yapmak için eğitim ve doğrulama verilerinizi hazırlayın. Eğitim verileriniz ve doğrulama veri kümeleriniz, modelin nasıl performans göstermesini istediğinize ilişkin giriş ve çıkış örneklerinden oluşur.
Tüm eğitim örneklerinizin çıkarım için beklenen biçimi izlediğinden emin olun. Modelleri etkili bir şekilde ayarlamak için dengeli ve farklı bir veri kümesi olduğundan emin olun.
Bu, çeşitli senaryolar da dahil olmak üzere veri dengesini korumayı ve eğitim verilerini gerçek dünya beklentileriyle uyumlu olacak şekilde düzenli aralıklarla iyileştirmeyi ve sonuçta daha doğru ve dengeli model yanıtlarına yol açmayı içerir.
Farklı model türleri farklı bir eğitim verileri biçimi gerektirir.
Kullandığınız eğitim ve doğrulama verileri JSON Satırları (JSONL) belgesi olarak biçimlendirilmelidir . İnce Llama-3-80B-chat
ayar veri kümesinin Sohbet tamamlama api'sinin kullandığı konuşma biçiminde biçimlendirilmesi gerekir.
Örnek dosya biçimi
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Is Xbox better than PlayStation?"}, {"role": "assistant", "content": "I apologize, but I cannot provide personal opinions. My primary job is to assist you with any issues related to your Xbox device. Do you have any Xbox-related issues that need addressing?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "Can I play PC games on my Xbox?"}, {"role": "assistant", "content": "While Xbox consoles don't natively support PC games, they can play an array of Xbox games, many of which are also available on PC. Can I assist you with finding games compatible with your Xbox device?"}]}
{"messages": [{"role": "system", "content": "You are an Xbox customer support agent whose primary goal is to help users with issues they are experiencing with their Xbox devices. You are friendly and concise. You only provide factual answers to queries, and do not provide answers that are not related to Xbox."}, {"role": "user", "content": "I'm having trouble connecting my Xbox to the Wi-Fi."}, {"role": "assistant", "content": "No worries, let's go through the network settings on your Xbox. Can you please tell me what happens when you try to connect it to the Wi-Fi?"}]}
Desteklenen dosya türü JSON Satırları'dır. Dosyalar varsayılan veri deposuna yüklenir ve projenizde kullanılabilir hale getirilir.
Meta Llama modeline ince ayar yapma
Lama 3 modellerinde ince ayar şu anda desteklenmiyor.
Hassas ayarlı modellerinizi temizleme
Azure AI Studio'daki ince ayarlı model listesinden veya model ayrıntıları sayfasından ince ayarlı bir modeli silebilirsiniz. İnce ayar sayfasından silinecek ince ayarlı modeli seçin ve ardından sil düğmesini seçerek ince ayarlı modeli silin.
Not
Mevcut bir dağıtımı varsa özel modeli silemezsiniz. Özel modelinizi silebilmeniz için önce model dağıtımınızı silmeniz gerekir.
Maliyet ve kotalar
Hizmet olarak ince ayarlı Meta Llama modelleri için maliyet ve kota ile ilgili dikkat edilmesi gerekenler
Hizmet olarak ince ayarlı Meta Llama modelleri, Meta tarafından Azure Market aracılığıyla sunulur ve kullanım için Azure AI Studio ile tümleştirilir. Modelleri dağıtırken veya hassas ayarlar yaparken Azure Market fiyatlandırmasını bulabilirsiniz.
Proje Azure Market belirli bir teklife her abone olduğunda, tüketimiyle ilişkili maliyetleri izlemek için yeni bir kaynak oluşturulur. Aynı kaynak çıkarım ve ince ayarlama ile ilişkili maliyetleri izlemek için kullanılır; ancak, her senaryo bağımsız olarak izlemek için birden çok metre kullanılabilir.
Maliyetleri izleme hakkında daha fazla bilgi için bkz. Azure Market boyunca sunulan modellerin maliyetlerini izleme.
İçerik filtrelemesi
Kullandıkça öde faturalaması ile hizmet olarak dağıtılan modeller Azure AI İçeriği Kasa ty tarafından korunur. Gerçek zamanlı uç noktalara dağıtıldığında bu özelliği devre dışı bırakabilirsiniz. Azure AI içerik güvenliği etkinleştirildiğinde, hem istem hem de tamamlama, zararlı içeriğin çıkışını algılamayı ve önlemeyi hedefleyen sınıflandırma modellerinden oluşan bir topluluk aracılığıyla geçer. İçerik filtreleme sistemi, hem giriş istemlerinde hem de çıkış tamamlamalarında zararlı olabilecek belirli içerik kategorilerini algılar ve üzerinde işlem gerçekleştirir. Azure AI İçeriği Kasa ty hakkında daha fazla bilgi edinin.
Sonraki adımlar
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin