模型微调

微调 AI 模型是一种常见做法，它允许您使用自定义数据集在配有 GPU 的计算环境中对预训练模型运行微调作业。AI 工具包目前支持在配有 GPU 的本地计算机或云端（Azure 容器应用）中微调 SLM。

微调模型可以下载到本地并使用 GPU 进行推理测试，也可以量化以在本地 CPU 上运行。微调模型还可以部署到云环境作为远程模型。

使用适用于 VS Code 的 AI 工具包 (预览版) 在 Azure 上微调 AI 模型

适用于 VS Code 的 AI 工具包现在支持预配 Azure 容器应用，以运行模型微调并在云中托管推理终结点。

设置云环境

1. 若要在远程 Azure 容器应用环境中运行模型微调和推理，请确保您的订阅具有足够的 GPU 容量。提交支持票证，以请求应用程序所需的容量。获取有关 GPU 容量的更多信息

2. 如果您在 HuggingFace 上使用私有数据集或您的基础模型需要访问控制，请确保您拥有HuggingFace 帐户并生成访问令牌。

3. 如果您正在微调 Mistral 或 Llama，请接受 HuggingFace 上的许可证。

4. 在适用于 VS Code 的 AI 工具包中启用远程微调和推理功能标志

   1. 通过选择文件 -> 首选项 -> 设置打开 VS Code 设置。
   2. 导航到扩展并选择AI 工具包。
   3. 选择“启用在 Azure 容器应用上运行微调和推理”选项。

   

   1. 重新加载 VS Code 以使更改生效。

构建微调项目

1. 在命令面板中运行AI Toolkit: Focus on Tools View (⇧⌘P (Windows, Linux Ctrl+Shift+P))
2. 导航到微调以访问模型目录。选择要进行微调的模型。为项目指定名称并选择其在计算机上的位置。然后，点击“配置项目”按钮。
3. 项目配置
   1. 避免启用“在本地微调”选项。
   2. Olive 配置设置将以预设默认值显示。请根据需要调整并填写这些配置。
   3. 继续到生成项目。此阶段利用 WSL 并涉及设置新的 Conda 环境，为未来包括 Dev Containers 的更新做准备。
   4. 选择“在工作区中重新启动窗口”以打开您的微调项目。

预配 Azure 资源

首先，您需要为远程微调预配 Azure 资源。从命令面板中查找并执行AI Toolkit: Provision Azure Container Apps job for fine-tuning。在此过程中，系统将提示您选择 Azure 订阅和资源组。

通过输出通道中显示的链接监视预配进度。

运行微调

要启动远程微调作业，请在命令面板中运行AI Toolkit: Run fine-tuning命令。

然后，该扩展执行以下操作

1. 将工作区与 Azure 文件同步。

2. 使用./infra/fintuning.config.json中指定的命令触发 Azure 容器应用作业。

QLoRA 将用于微调，微调过程将为模型创建 LoRA 适配器，以便在推理期间使用。

微调结果将存储在 Azure 文件中。要浏览 Azure 文件共享中的输出文件，您可以使用输出面板中提供的链接导航到 Azure 门户。或者，您可以直接访问 Azure 门户并找到./infra/fintuning.config.json中定义的名为STORAGE_ACCOUNT_NAME的存储帐户和./infra/fintuning.config.json中定义的名为FILE_SHARE_NAME的文件共享。

查看日志

微调作业启动后，您可以通过访问Azure 门户来访问系统和控制台日志。

或者，您可以直接在 VSCode 输出面板中查看控制台日志。

在 Azure 上查看和查询日志

触发微调作业后，您可以通过 VSCode 通知中的“在 Azure 门户中打开日志”按钮在 Azure 上查看日志。

或者，如果您已经打开了 Azure 门户，请从 Azure 容器应用作业的“执行历史记录”面板中查找作业历史记录。

有两种类型的日志，“控制台”和“系统”。

• 控制台日志是来自您应用程序的消息，包括stderr和stdout消息。这正是您在流式日志部分已经看到的内容。
• 系统日志是来自 Azure 容器应用服务的消息，包括服务级别事件的状态。

要查看和查询日志，请选择“控制台”按钮并导航到 Log Analytics 页面，您可以在其中查看所有日志并编写查询。

有关 Azure 容器应用日志的更多信息，请参阅Azure 容器应用中的应用程序日志。

在 VSCode 中查看流式日志

启动微调作业后，您还可以通过 VSCode 通知中的“在 VS Code 中显示流式日志”按钮在 Azure 上查看日志。

或者您可以在命令面板中运行命令AI Toolkit: Show the running fine-tuning job streaming logs。

正在运行的微调作业的流式日志将显示在输出面板中。

使用微调模型进行推理

在远程环境中训练适配器后，使用简单的 Gradio 应用程序与模型交互。

预配 Azure 资源

与微调过程类似，您需要通过从命令面板执行AI Toolkit: Provision Azure Container Apps for inference来设置用于远程推理的 Azure 资源。在此设置过程中，系统将要求您选择 Azure 订阅和资源组。

默认情况下，用于推理的订阅和资源组应与用于微调的订阅和资源组匹配。推理将使用相同的 Azure 容器应用环境，并访问在微调步骤中生成的存储在 Azure 文件中的模型和模型适配器。

用于推理的部署

如果您希望修改推理代码或重新加载推理模型，请执行AI Toolkit: Deploy for inference命令。这会将您的最新代码与 ACA 同步并重新启动副本。

部署成功完成后，模型现在可以通过此终结点进行评估。您可以点击 VSCode 通知中显示的“转到推理终结点”按钮来访问推理 API。或者，可以在./infra/inference.config.json中的ACA_APP_ENDPOINT下以及在输出面板中找到 Web API 终结点。

高级用法

微调项目组件

在 Azure 容器应用中配置微调机密

Azure 容器应用机密提供了一种安全存储和管理 Azure 容器应用中敏感数据（例如 HuggingFace 令牌和 Weights & Biases API 密钥）的方法。使用 AI 工具包的命令面板，您可以将机密输入到已预配的 Azure 容器应用作业（如存储在./finetuning.config.json中）。然后，这些机密将设置为所有容器中的环境变量。

步骤

1. 在命令面板中，键入并选择AI Toolkit: Add Azure Container Apps Job secret for fine-tuning

   

2. 输入机密名称和值：系统将提示您输入机密的名称和值。 例如，如果您使用私有 HuggingFace 数据集或需要 Hugging Face 访问控制的模型，请将您的 HuggingFace 令牌设置为环境变量HF_TOKEN，以避免在 Hugging Face Hub 上进行手动登录。

设置机密后，您现在可以在 Azure 容器应用中使用它。机密将设置在容器应用的环境变量中。

配置 Azure 资源预配以进行微调

本指南将帮助您配置AI Toolkit: Provision Azure Container Apps job for fine-tuning命令。

您可以在./infra/provision/finetuning.parameters.json文件中找到配置参数。详细信息如下

使用现有 Azure 资源

如果您有需要配置为微调的现有 Azure 资源，您可以在./infra/provision/finetuning.parameters.json文件中指定它们的名称，然后从命令面板运行AI Toolkit: Provision Azure Container Apps job for fine-tuning。这将更新您指定的资源并创建任何缺失的资源。

例如，如果您有现有的 Azure 容器环境，您的./infra/finetuning.parameters.json应如下所示

{
    "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentParameters.json#",
    "contentVersion": "1.0.0.0",
    "parameters": {
      ...
      "acaEnvironmentName": {
        "value": "<your-aca-env-name>"
      },
      "acaEnvironmentStorageName": {
        "value": null
      },
      ...
    }
  }

手动预配

如果您更喜欢手动设置 Azure 资源，您可以使用./infra/provision文件夹中提供的 bicep 文件。如果您已经设置并配置了所有 Azure 资源而没有使用 AI 工具包命令面板，您只需在finetune.config.json文件中输入资源名称。

例如

{
  "SUBSCRIPTION_ID": "<your-subscription-id>",
  "RESOURCE_GROUP_NAME": "<your-resource-group-name>",
  "STORAGE_ACCOUNT_NAME": "<your-storage-account-name>",
  "FILE_SHARE_NAME": "<your-file-share-name>",
  "ACA_JOB_NAME": "<your-aca-job-name>",
  "COMMANDS": [
    "cd /mount",
    "pip install huggingface-hub==0.22.2",
    "huggingface-cli download <your-model-name> --local-dir ./model-cache/<your-model-name> --local-dir-use-symlinks False",
    "pip install -r ./setup/requirements.txt",
    "python3 ./finetuning/invoke_olive.py && find models/ -print | grep adapter/adapter"
  ]
}

模板中包含的推理组件

配置 Azure 资源预配

本指南将帮助您配置AI Toolkit: Provision Azure Container Apps for inference命令。

您可以在./infra/provision/inference.parameters.json文件中找到配置参数。详细信息如下

使用现有 Azure 资源

默认情况下，推理预配使用与微调相同的 Azure 容器应用环境、存储帐户、Azure 文件共享和 Azure Log Analytics。单独的 Azure 容器应用专门用于推理 API。

如果您在微调步骤中自定义了 Azure 资源，或者希望将自己现有的 Azure 资源用于推理，请在./infra/inference.parameters.json文件中指定它们的名称。然后，从命令面板运行AI Toolkit: Provision Azure Container Apps for inference命令。这将更新任何指定的资源并创建任何缺失的资源。

例如，如果您有现有的 Azure 容器环境，您的./infra/finetuning.parameters.json应如下所示

{
    "$schema": "https://schema.management.azure.com/schemas/2019-04-01/deploymentParameters.json#",
    "contentVersion": "1.0.0.0",
    "parameters": {
      ...
      "acaEnvironmentName": {
        "value": "<your-aca-env-name>"
      },
      "acaEnvironmentStorageName": {
        "value": null
      },
      ...
    }
  }

手动预配

如果您更喜欢手动配置 Azure 资源，您可以使用./infra/provision文件夹中提供的 bicep 文件。如果您已经设置并配置了所有 Azure 资源而没有使用 AI 工具包命令面板，您只需在inference.config.json文件中输入资源名称。

例如

{
  "SUBSCRIPTION_ID": "<your-subscription-id>",
  "RESOURCE_GROUP_NAME": "<your-resource-group-name>",
  "STORAGE_ACCOUNT_NAME": "<your-storage-account-name>",
  "FILE_SHARE_NAME": "<your-file-share-name>",
  "ACA_APP_NAME": "<your-aca-name>",
  "ACA_APP_ENDPOINT": "<your-aca-endpoint>"
}

您学到了什么

在本文中，您学习了如何

• 设置适用于 VS Code 的 AI 工具包以支持 Azure 容器应用中的微调和推理。
• 在适用于 VS Code 的 AI 工具包中创建微调项目。
• 配置微调工作流，包括数据集选择和训练参数。
• 运行微调工作流以使预训练模型适应您的特定数据集。
• 查看微调过程的结果，包括指标和日志。
• 使用示例笔记本进行模型推理和测试。
• 导出并与他人共享微调项目。
• 使用不同的数据集或训练参数重新评估模型。
• 处理失败的作业并调整重新运行的配置。
• 了解支持的模型及其微调要求。
• 使用适用于 VS Code 的 AI 工具包管理微调项目，包括预配 Azure 资源、运行微调作业和部署模型以进行推理。