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配备 GPU 的计算环境中对预训练模型执行微调作业。AI Toolkit 目前支持在带有 GPU 的本地机器上，或在带有 GPU 的云端（Azure Container App）中对 SLM（小型语言模型）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，或者进行量化以在本地 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中。

使用 VS Code 的 AI Toolkit 在 Azure 上微调 AI 模型（预览版）

VS Code 的 AI Toolkit 现已支持配置 Azure Container App，用于运行模型微调并在云端托管推理端点。

设置您的云环境

1. 若要在远程 Azure Container Apps 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。请提交支持工单以请求您的应用程序所需的容量。了解有关 GPU 容量的更多信息

2. 如果您正在使用 HuggingFace 上的私有数据集，或者您的基础模型需要访问控制，请确保您拥有一个 HuggingFace 账户并生成访问令牌。

3. 如果您要微调 Mistral 或 Llama 模型，请在 HuggingFace 上接受相应的许可协议（LICENSE）。

4. 在 VS Code 的 AI Toolkit 中启用“远程微调和推理”功能标志

   1. 通过选择 File（文件） -> Preferences（首选项） -> Settings（设置） 打开 VS Code 设置。
   2. 导航至 Extensions（扩展） 并选择 AI Toolkit。
   3. 选中 "Enable to run fine-tuning and inference on Azure Container Apps"（启用在 Azure Container Apps 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（⇧⌘P (Windows, Linux Ctrl+Shift+P)）中运行 AI Toolkit: Focus on Tools View
2. 导航至 Fine-tuning 以访问模型目录。选择一个用于微调的模型。为您的项目命名并选择其在计算机上的位置。然后，点击 "Configure Project"（配置项目） 按钮。
3. 项目配置
   1. 避免启用 "Fine-tune locally"（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. 继续执行 Generate Project（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 "Relaunch Window In Workspace"（在工作区中重新启动窗口） 以打开您的微调项目。

配置 Azure 资源

首先，您需要配置用于远程微调的 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，系统会提示您选择 Azure 订阅和资源组。

通过输出通道中显示的链接监控配置进度。

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。

扩展随后会执行以下操作：

1. 将您的工作区与 Azure Files 同步。

2. 使用 ./infra/fintuning.config.json 中指定的命令触发 Azure Container App 作业。

将使用 QLoRA 进行微调，微调过程会创建 LoRA 适配器，供模型在推理期间使用。

微调的结果将存储在 Azure Files 中。要浏览 Azure 文件共享中的输出文件，您可以点击输出面板中提供的链接导航至 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 STORAGE_ACCOUNT_NAME 存储账户以及 FILE_SHARE_NAME 文件共享。

查看日志

微调作业启动后，您可以访问 Azure 门户以查看系统日志和控制台日志。

或者，您也可以直接在 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，您可以通过选择 VSCode 通知中的“Open Logs in Azure Portal（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，请在 Azure Container Apps 作业的“Execution history（执行历史记录）”面板中查找作业历史记录。

日志有两种类型：“Console（控制台）”和“System（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中已经看到的内容。
• 系统日志是来自 Azure Container Apps 服务的信息，包括服务级事件的状态。

要查看和查询日志，请选择“Console（控制台）”按钮并导航至 Log Analytics 页面，您可以在该页面查看所有日志并编写查询。

有关 Azure Container Apps 日志的更多信息，请参阅 Azure Container Apps 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“Show Streaming Logs in VS Code（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 AI Toolkit: Show the running fine-tuning job streaming logs 命令。

运行中微调作业的流式日志将显示在输出面板中。

使用微调后的模型进行推理

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。

配置 Azure 资源

与微调过程类似，您需要通过在命令面板中执行 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，系统会要求您选择 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微调时使用的相同。推理将使用相同的 Azure Container App 环境，并访问微调步骤中生成的存储在 Azure Files 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 同步并重启副本。

部署成功完成后，模型即可使用此端点进行评估。您可以通过选择 VSCode 通知中显示的“Go to Inference Endpoint（转到推理端点）”按钮来访问推理 API。或者，Web API 端点可以在 ./infra/inference.config.json 中的 ACA_APP_ENDPOINT 下方以及输出面板中找到。

高级用法

微调项目组件

在 Azure Container Apps 中配置微调机密

Azure Container App 机密提供了一种安全的方法来存储和管理 Azure Container Apps 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配置好的 Azure Container App 作业中（存储在 ./finetuning.config.json 中）。这些机密随后会被设置为所有容器中的环境变量。

步骤

1. 在命令面板中，输入并选择 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，以避免需要手动登录 Hugging Face Hub。

设置机密后，您现在就可以在 Azure Container App 中使用它。机密将被设置在容器应用的环境变量中。

配置 Azure 微调资源预配

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。详情如下：

使用现有的 Azure 资源

如果您有需要配置微调的现有 Azure 资源，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，如果您拥有现有的 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
      },
      ...
    }
  }

手动配置

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。如果您已经在没有使用 AI Toolkit 命令面板的情况下设置并配置了所有 Azure 资源，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。详情如下：

使用现有的 Azure 资源

默认情况下，推理配置使用与微调相同的 Azure Container App 环境、存储账户、Azure 文件共享和 Azure Log Analytics。系统会专门为推理 API 创建一个单独的 Azure Container App。

如果您在微调步骤中自定义了 Azure 资源，或者想为推理使用您现有的 Azure 资源，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缺失的资源。

例如，如果您拥有现有的 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
      },
      ...
    }
  }

手动配置

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。如果您已经在没有使用 AI Toolkit 命令面板的情况下设置并配置了所有 Azure 资源，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 VS Code 的 AI Toolkit 以支持在 Azure Container Apps 中进行微调和推理。
• 在 VS Code 的 AI Toolkit 中创建微调项目。
• 配置微调工作流程，包括数据集选择和训练参数。
• 运行微调工作流程，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分享。
• 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进行重新运行。
• 了解支持的模型及其微调要求。
• 使用 VS Code 的 AI Toolkit 管理微调项目，包括配置 Azure 资源、运行微调作业以及部署模型进行推理。