Criar uma execução de treinamento usando o Mosaic AI Model treinamento UI

Importante

Esse recurso está em Public Preview. Entre em contato com a equipe do Databricks account para se inscrever no Public Preview.

Este artigo descreve como criar e configurar uma execução de treinamento usando a interface do usuário Mosaic AI Model treinamento (anteriormente Foundation Model treinamento). O senhor também pode criar uma execução usando a API. Para obter instruções, consulte Criar um treinamento execução usando o treinamento Mosaic AI Model API.

Requisitos

Veja os requisitos.

Criar uma execução de treinamento usando a UI

Siga estes passos para criar uma execução de treinamento usando a UI.

  1. Na barra lateral esquerda, clique em Experiments (Experimentos).

  2. No cartão de treinamentoMosaic AI Model, clique em Create Mosaic AI Model Experiment.

    Formulário de experimento de modelo de fundação
  3. O formulário Mosaic AI Model treinamento é aberto. Os itens marcados com um asterisco são obrigatórios. Faça suas seleções e clique em começar treinamento.

    Tipo: Selecione a tarefa a ser executada.

    Tarefa

    Descrição

    Ajuste fino das instruções

    Continuar o treinamento de um modelo básico com entrada de prompt e resposta para otimizar o modelo para uma tarefa específica.

    Pré-treinamento contínuo

    Continuar o treinamento de um modelo básico para fornecer a ele conhecimento específico do domínio.

    Conclusão do bate-papo

    Continue treinando um modelo básico com o chat logs para otimizá-lo para aplicativos de perguntas e respostas ou de conversação.

    Selecione o modelo da fundação: Selecione o modelo a ser ajustado ou ensinado. Para obter uma lista dos modelos compatíveis, consulte Modelos compatíveis.

    dados de treinamento: Clique em Browse para selecionar uma tabela em Unity Catalog, ou digite o URL completo de um Hugging Face dataset. Para obter recomendações de tamanho de dados, consulte Tamanho de dados recomendado para treinamento de modelos.

    Se o senhor selecionar uma tabela em Unity Catalog, também deverá selecionar o compute a ser usado para ler a tabela.

    registro para o local: Selecione o catálogo e o esquema do site Unity Catalog nos menus suspensos. O modelo treinado é salvo nesse local.

    Nome do modelo: O modelo é salvo com esse nome no catálogo e no esquema que o senhor especificou. Um nome default aparece nesse campo, que o senhor pode alterar, se desejar.

    Opções avançadas: Para obter mais personalização, o senhor pode definir configurações opcionais para avaliação, ajuste de hiperparâmetros ou ensinar a partir de um modelo proprietário existente.

    Contexto

    Descrição

    treinamento duração

    duração da execução do treinamento, especificada em epochs (por exemplo, 10ep) ou tokens (por exemplo, 1000000tok). default é 1ep.

    Taxa de aprendizado

    A taxa de aprendizado para o treinamento do modelo. default é 5e-7. O otimizador é o DecoupledLionW com betas de 0,99 e 0,95 e sem decaimento de peso. O programador da taxa de aprendizagem é LinearWithWarmupSchedule com um aquecimento de 2% da duração total do treinamento e um multiplicador da taxa de aprendizagem final de 0.

    Comprimento do contexto

    O comprimento máximo da sequência de uma amostra de dados. Os dados mais longos do que essa configuração são truncados. O site default depende do modelo selecionado.

    Dados de avaliação

    Clique em Browse para selecionar uma tabela em Unity Catalog, ou digite o URL completo de um Hugging Face dataset. Se o senhor deixar esse campo em branco, nenhuma avaliação será realizada.

    Solicitações de avaliação de modelos

    Digite prompts opcionais a serem usados para avaliar o modelo.

    Nome da experiência

    Em default, um novo nome gerado automaticamente é atribuído a cada execução. Opcionalmente, o senhor pode digitar um nome personalizado ou selecionar um experimento existente na lista suspensa.

    Pesos personalizados

    Em default, o treinamento começa usando os pesos originais do modelo selecionado. Para começar com pesos personalizados de um ponto de verificação do Composer, insira o caminho para a tabela Unity Catalog que contém os valores do ponto de verificação.