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 工具包目前支持在本地机器（带 GPU）或云端（Azure 容器应用，带 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，也可以量化后在 CPU 上本地运行。微调后的模型还可以作为远程模型部署到云环境。

使用 VS Code 的 AI 工具包在 Azure 上微调 AI 模型（预览版）

VS Code 的 AI 工具包现在支持预置 Azure 容器应用，以便在云中运行模型微调并托管推理终结点。

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，请确保您的订阅具有足够的 GPU 容量。提交支持工单以请求应用程序所需的容量。获取更多关于 GPU 容量的信息

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 账户并生成访问令牌。

3. 如果您正在微调 Mistral 或 Llama，请在 HuggingFace 上接受许可证。

4. 在 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。选择一个用于微调的模型。为您的项目分配一个名称并选择其在您机器上的位置。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 配置设置将以预设的默认值显示。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。

预置 Azure 资源

首先，您需要为远程微调预置 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置进度。

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。

扩展将执行以下操作

1. 将您的工作区与 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，找到./infra/fintuning.config.json中定义的名为STORAGE_ACCOUNT_NAME的存储账户和./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

微调作业触发后，您可以通过选择 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，如果您已打开 Azure 门户，可以在“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。这与您在流日志部分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”按钮并导航到日志分析页面，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 中显示流日志”按钮在 Azure 上查看日志。

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

正在运行的微调作业的流日志将显示在输出面板中。

使用微调模型进行推理

适配器在远程环境中训练完成后，使用简单的 Gradio 应用程序与模型进行交互。

预置 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来为远程推理设置 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。

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，模型现在已准备好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下以及输出面板中找到 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置的 Azure 容器应用作业中（如./finetuning.config.json中存储的）。然后，这些机密将作为环境变量在所有容器中设置。

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 微调资源预置

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

如果您有需要配置以进行微调的现有 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
      },
      ...
    }
  }

手动预置

如果您更喜欢手动设置 Azure 资源，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 资源预置

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，推理预置使用与微调相同的 Azure 容器应用环境、存储账户、Azure 文件共享和 Azure Log Analytics。一个单独的 Azure 容器应用仅用于推理 API。

如果您在微调步骤中自定义了 Azure 资源，或者想将自己现有的 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
      },
      ...
    }
  }

手动预置

如果您更喜欢手动配置 Azure 资源，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>"
}