微调模型

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具有 GPU 的计算环境中对预训练模型运行微调作业。AI 工具包目前支持在具有 GPU 的本地计算机或云（Azure 容器应用）中对 SLM 进行微调。

微调后的模型可以下载到本地并使用 GPU 进行推理测试，也可以进行量化以在本地 CPU 上运行。微调后的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 工具包在 Azure 上微调 AI 模型（预览版）

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。

设置您的云环境

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，请在 HuggingFace 上接受许可证。

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 Fine-tuning 以访问模型目录。选择一个模型进行微调。为您的项目分配一个名称并选择其在您计算机上的位置。然后，点击 “配置项目” 按钮。
3. 项目配置
   1. 避免启用 “本地微调” 选项。
   2. Olive 配置设置将显示预设的默认值。请根据需要调整并填写这些配置。
   3. 继续 生成项目。此阶段利用 WSL 并涉及设置新的 Conda 环境，为未来包含 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。在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。

扩展随后执行以下操作

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。

将使用 QLoRA 进行微调，微调过程将为模型创建 LoRA 适配器以在推理期间使用。

微调结果将存储在 Azure 文件中。若要浏览 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，以及 ./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

微调作业触发后，您可以通过在 VSCode 通知中选择“在 Azure 门户中打开日志”按钮来在 Azure 上查看日志。

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

日志有两种类型：“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。这与您在流式日志部分中已经看到的内容相同。
• 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。

若要查看和查询日志，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记录。

在 VSCode 中查看流式日志

启动微调作业后，您还可以通过在 VSCode 通知中选择“在 VS Code 中显示流式日志”按钮来在 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，使用一个简单的 Gradio 应用程序与模型进行交互。

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，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。

推理部署

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。这将使您的最新代码与 ACA 同步并重新启动副本。

部署成功完成后，模型现在可以使用此终结点进行评估。您可以通过选择 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 下和输出面板中找到 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的机密

Azure 容器应用机密提供了一种安全的方式来在 Azure 容器应用中存储和管理敏感数据，例如 HuggingFace 令牌和 Weights & Biases API 密钥。使用 AI 工具包的命令面板，您可以将机密输入到预配的 Azure 容器应用作业中（如存储在 ./finetuning.config.json 中）。然后，这些机密会在所有容器中设置为**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，如果您使用需要 Hugging Face 访问控制的私有 HuggingFace 数据集或模型，请将您的 HuggingFace 令牌设置为环境变量 HF_TOKEN，以避免在 Hugging Face Hub 上手动登录。

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

配置 Azure 资源以进行微调

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

如果您有需要为微调配置的现有 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

如果您倾向于手动设置 Azure 资源，您可以使用 ./infra/provision 文件夹中提供的 bicep 文件。如果您已经设置和配置了所有 Azure 资源，而没有使用 AI 工具包命令面板，您可以简单地在 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。会专门为推理 API 创建一个单独的 Azure 容器应用。

如果您在微调步骤中自定义了 Azure 资源，或者想将自己的现有 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

如果您倾向于手动配置 Azure 资源，您可以使用 ./infra/provision 文件夹中提供的 bicep 文件。如果您已经设置和配置了所有 Azure 资源，而没有使用 AI 工具包命令面板，您可以简单地在 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>"
}