微调模型

微调 AI 模型是一种常见的做法，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 工具包目前支持在本地具有 GPU 的机器上或在云端（Azure 容器应用）使用 GPU 微调 SLM。

微调后的模型可以下载到本地，并使用 GPU 进行推理测试，或者可以量化以在本地 CPU 上运行。微调后的模型也可以部署到云环境作为远程模型。

在 Azure 上使用 AI 工具包 for VS Code (预览版) 微调 AI 模型

VS Code 的 AI 工具包现在支持预配 Azure 容器应用，以在云端运行模型微调和托管推理终结点。

设置您的云环境

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

2. 如果您正在 HuggingFace 上使用私有数据集，或者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. 如果您要微调 Mistral 或 Llama，请接受 HuggingFace 上的 LICENSE。

4. 在 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。

搭建微调项目

1. 在命令面板 ( ⇧⌘P (Windows、Linux Ctrl+Shift+P) ) 中运行 AI 工具包: 聚焦工具视图 命令。
2. 导航到 微调 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，并在您的机器上选择其位置。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。请根据需要调整和填写这些配置。
   3. 继续进行生成项目。此阶段利用 WSL，并涉及设置新的 Conda 环境，为未来包含开发容器的更新做准备。
   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

要开始使用，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 工具包: 预配用于微调的 Azure 容器应用作业。在此过程中，系统将提示您选择您的 Azure 订阅和资源组。

通过输出通道中显示的链接监控预配进度。

运行微调

要启动远程微调作业，请在命令面板中运行 AI 工具包: 运行微调 命令。

然后，扩展执行以下操作

1. 将您的工作区与 Azure 文件存储同步。

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，并且微调过程将为模型创建 LoRA 适配器，以便在推理期间使用。

微调的结果将存储在 Azure 文件存储中。要浏览 Azure 文件共享中的输出文件，您可以导航到 Azure 门户，使用输出面板中提供的链接。或者，您可以直接访问 Azure 门户，并找到在 ./infra/fintuning.config.json 中定义的名为 STORAGE_ACCOUNT_NAME 的存储帐户，以及在 ./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，您可以访问系统日志和控制台日志，方法是访问 Azure 门户。

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，您可以通过从 VSCode 通知中选择“在 Azure 门户中打开日志”按钮来查看 Azure 上的日志。

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的应用程序的消息，包括 stderr 和 stdout 消息。这就是您已经在流式日志部分看到的内容。
• 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。

要查看和查询您的日志，请选择“控制台”按钮，然后导航到 Log Analytics 页面，您可以在其中查看所有日志并编写您的查询。

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，您还可以通过选择 VSCode 通知中的“在 VS Code 中显示流式日志”按钮来查看 Azure 上的日志。

或者，您可以在命令面板中运行命令 AI 工具包: 显示正在运行的微调作业流式日志。

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 工具包: 预配用于推理的 Azure 容器应用 来设置用于远程推理的 Azure 资源。在此设置过程中，系统会要求您选择您的 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，并访问存储在 Azure 文件存储中的模型和模型适配器，这些模型和适配器是在微调步骤中生成的。

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 工具包: 部署以进行推理 命令。这将使您的最新代码与 ACA 同步并重新启动副本。

成功完成部署后，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，Web API 终结点可以在 ./infra/inference.config.json 和输出面板中的 ACA_APP_ENDPOINT 下找到。

高级用法

微调项目组件

配置 Azure 容器应用中用于微调的密钥

Azure 容器应用密钥提供了一种安全的方式来存储和管理 Azure 容器应用中的敏感数据，例如 HuggingFace 令牌和 Weights & Biases API 密钥。使用 AI 工具包的命令面板，您可以将密钥输入到预配的 Azure 容器应用作业中（存储在 ./finetuning.config.json 中）。然后，这些密钥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 工具包: 为微调添加 Azure 容器应用作业密钥

   

2. 输入密钥名称和值：系统将提示您输入密钥的名称和值。 例如，如果您正在使用私有 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，以避免需要在 Hugging Face Hub 上手动登录。

设置密钥后，您现在可以在 Azure 容器应用中使用它。密钥将设置在您的容器应用的环境变量中。

配置用于微调的 Azure 资源预配

本指南将帮助您配置 AI 工具包: 预配用于微调的 Azure 容器应用作业 命令。

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

使用现有 Azure 资源

如果您有需要为微调配置的现有 Azure 资源，则可以在 ./infra/provision/finetuning.parameters.json 文件中指定其名称，然后从命令面板运行 AI 工具包: 预配用于微调的 Azure 容器应用作业。这将更新您指定的资源并创建任何缺少的资源。

例如，如果您有现有的 Azure 容器环境，则您的 ./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，则可以使用 ./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，而未使用 AI 工具包命令面板，则只需在 finetune.config.json 文件中输入资源名称即可。

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 工具包: 预配用于推理的 Azure 容器应用 命令。

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

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。会创建一个单独的 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，或者想要使用您自己的现有 Azure 资源进行推理，请在 ./infra/inference.parameters.json 文件中指定其名称。然后，从命令面板运行 AI 工具包: 预配用于推理的 Azure 容器应用 命令。这将更新任何指定的资源并创建任何缺少的资源。

例如，如果您有现有的 Azure 容器环境，则您的 ./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，则可以使用 ./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，而未使用 AI 工具包命令面板，则只需在 inference.config.json 文件中输入资源名称即可。

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>"
}