微调模型

微调 AI 模型是一种常见的做法，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 Toolkit 目前支持在具有 GPU 的本地计算机或云端（Azure 容器应用）中微调 SLM。

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

使用适用于 VS Code 的 AI Toolkit (Preview) 在 Azure 上微调 AI 模型

适用于 VS Code 的 AI Toolkit 现在支持预配 Azure 容器应用，以在云端运行模型微调并托管推理终结点。

设置云环境

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. 如果您使用的是 HuggingFace 上的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 Toolkit 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 Toolkit。
   3. 选择 "在 Azure 容器应用上启用运行微调和推理" 选项。

   

   1. 重新加载 VS Code 以使更改生效。

搭建微调项目脚手架

1. 在命令面板 (⇧⌘P (Windows, Linux Ctrl+Shift+P)) 中运行 AI Toolkit: Focus on Tools View
2. 导航到 Fine-tuning 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计算机上的位置。然后，点击 "Configure Project" 按钮。
3. 项目配置
   1. 避免启用 "Fine-tune locally" 选项。
   2. Olive 配置设置将出现并带有预设的默认值。请根据需要调整和填写这些配置。
   3. 继续 Generate Project。此阶段利用 WSL 并涉及设置一个新的 Conda 环境，为将来包含 Dev Containers 的更新做准备。
   4. 选择 "Relaunch Window In Workspace" 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，您可以在 VSCode 输出面板中直接查看控制台日志。

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，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。这是您在流式传输日志部分中已经看到的内容。
• 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记录。

在 VSCode 中查看流式传输日志

启动微调作业后，您还可以通过选择 VSCode 通知中的“在 VS Code 中显示流式传输日志”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传输日志将显示在输出面板中。

使用微调后的模型进行推理

适配器在远程环境中训练完成后，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。

部署推理

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“Go to Inference Endpoint”按钮来访问推理 API。或者，可以在 ./infra/inference.config.json 中和输出面板中找到 Web API 终结点 ACA_APP_ENDPOINT。

高级用法

微调项目组件

配置 Azure 容器应用中的微调机密

Azure 容器应用机密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 Toolkit 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，这些机密被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. 提供机密名称和值

   

   

   例如，如果您使用的是需要 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。机密将设置在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 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 Toolkit 命令面板，您只需在 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 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 Toolkit 命令面板，您只需在 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>"
}

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 Toolkit 以支持 Azure 容器应用中的微调和推理。
• 在适用于 VS Code 的 AI Toolkit 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。
• 导出微调项目并与他人共享。
• 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配置以重新运行。
• 了解支持的模型及其微调要求。
• 使用适用于 VS Code 的 AI Toolkit 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。