Créez une tâche de réglage fin de modèle.
Prérequis
- Régions prises en charge : Les fonctionnalités décrites dans cette rubrique sont uniquement disponibles dans la région Singapour, et vous devez utiliser une API Key de cette région.
- Autorisations de compte : Si vous utilisez un sous-compte Alibaba Cloud (utilisateur RAM), vous devez accorder au sous-compte les autorisations d'invocation, d'entraînement et de déploiement de modèles.
- Configurer des variables d'environnement : Vous avez obtenu une API Key et l'avez configurée comme variable d'environnement.
- Préparation : Vous avez lu Réglage des modèles Qwen pour comprendre les modèles pris en charge pour le réglage fin, les étapes de réglage, les formats de données et la facturation.
Créer une tâche de réglage fin
- Singapore
POST https://dashscope-intl.aliyuncs.com/api/v1/fine-tunesPour Windows CMD, remplacez$DASHSCOPE_API_KEYpar%DASHSCOPE_API_KEY%. Pour PowerShell, remplacez par$env:DASHSCOPE_API_KEY
Paramètres de la requêteEn-têtesContent-Typestring (Obligatoire)Valeur fixe : application/jsonAuthorization string (Obligatoire)Authentification par API Key, au format Bearer sk-xxxx.Corps de la requêtemodelstring (Obligatoire)Le modèle à régler finement, ou l'ID de modèle produit par une autre tâche de réglage fin (pour re-régler un modèle déjà réglé).training_type string (Facultatif)Méthode de réglage fin. Valeurs disponibles :
object (Facultatif)Réglage des hyperparamètres. Différents modèles prennent en charge différents ensembles de paramètres avec des valeurs par défaut différentes. Consultez la console avec le même modèle et la même méthode de réglage pour voir les valeurs par défaut réelles. Parmi eux, n_epochs, batch_size et max_length affectent les coûts de réglage et doivent être spécifiés.
Propriétés des hyperparamètres n_epochs int (Obligatoire)Nombre d'époques d'entraînement. Le nombre de fois où le modèle itère sur les données d'entraînement. Ajustez en fonction de votre expérience du réglage fin.
int (Obligatoire)Taille du lot. Le nombre d'échantillons de données envoyés au modèle pour l'entraînement en une fois. Une valeur trop petite augmente considérablement le temps d'entraînement. Les valeurs par défaut varient selon le modèle ; consultez la console.max_length int (Obligatoire)Longueur de séquence. Valeur recommandée : 8192. La longueur maximale de tokens prise en charge pour un seul échantillon d'entraînement. Si un seul échantillon dépasse cette longueur de tokens, il sera ignoré et non utilisé pour l'entraînement.Pour la relation entre caractères et tokens, consultez Conversion entre tokens et chaînes.learning_rate float (Facultatif)Taux d'apprentissage. Il est recommandé d'utiliser la valeur par défaut de Model Studio. Contrôle l'intensité de la correction des poids du modèle.
string (Facultatif)Type de planificateur de taux d'apprentissage. Recommandé : linear ou inverse_sqrt. Stratégie d'ajustement dynamique du taux d'apprentissage pendant l'entraînement. Pour plus de détails sur chaque stratégie, consultez Description du planificateur de taux d'apprentissage.split float (Facultatif)La proportion de données d'entraînement dans le fichier d'entraînement. Il est recommandé d'utiliser la valeur par défaut de Model Studio.Lorsque validation_datasets n'est pas défini, Model Studio utilise automatiquement 80 % comme jeu d'entraînement et 20 % comme jeu de validation. Ce paramètre n'est pas valide lorsque validation_datasets est défini.max_split_val_dataset_sample int (Facultatif)Taille maximale du jeu de données de validation. Il est recommandé d'utiliser la valeur par défaut de Model Studio.Lorsque validation_datasets n'est pas défini, le jeu de validation automatiquement séparé contient au maximum 1 000 échantillons. Ce paramètre n'est pas valide lorsque validation_datasets est défini.eval_steps int (Facultatif)Étapes de validation. L'intervalle de validation pendant l'entraînement, utilisé pour l'évaluation périodique de la précision d'entraînement du modèle et de la perte d'entraînement.Ce paramètre affecte la fréquence d'affichage de Validation Loss et Validation Token Accuracy pendant le réglage.logging_steps int (Facultatif)Étapes de journalisation. Les étapes d'intervalle pour l'impression des journaux de réglage.warmup_ratio float (Facultatif)Ratio d'échauffement. Il est recommandé d'utiliser la valeur par défaut de Model Studio. La proportion du processus d'entraînement total utilisée pour l'échauffement du taux d'apprentissage. L'échauffement du taux d'apprentissage signifie que le taux augmente linéairement d'une petite valeur jusqu'à la valeur définie après le début de l'entraînement, aidant le modèle à s'entraîner de manière plus stable.
Ce paramètre ne s'applique pas au planificateur de taux d'apprentissage weight_decay float (Facultatif)Décroissance des poids (intensité de régularisation L2). Il est recommandé d'utiliser la valeur par défaut de Model Studio. Aide à préserver dans une certaine mesure les capacités générales du modèle. Une valeur trop grande rendra les effets du réglage moins perceptibles.freeze_vit boolean (Facultatif)Indique si le backbone visuel doit être figé. Fige les paramètres du backbone visuel afin que ses poids ne soient pas mis à jour pendant l'entraînement. Applicable uniquement aux modèles Qwen-VL (compréhension visuelle).Le modèle ne peut être facturé selon l'utilisation de tokens que lorsquelora_rank int (Facultatif)Rang LoRA. Valeur recommandée : 64. Le rang de la matrice de faible rang dans l'entraînement LoRA. Un rang plus élevé donne de meilleurs résultats de réglage mais un entraînement légèrement plus lent.Uniquement effectif lorsque training_type est efficient_sft ou dpo_lora.Lors d'un second réglage fin efficace sur un modèle déjà réglé finement de manière efficace,lora_alpha int (Facultatif)Facteur d'échelle LoRA. Il est recommandé d'utiliser la valeur par défaut de Model Studio. Contrôle le facteur d'échelle entre les poids d'origine du modèle et la correction de faible rang LoRA.
training_type est efficient_sft ou dpo_lora.lora_dropout float (Facultatif)Taux de dropout LoRA. Il est recommandé d'utiliser la valeur par défaut de Model Studio. Le taux de dropout des valeurs de la matrice de faible rang dans l'entraînement LoRA. L'utilisation de la valeur recommandée améliore la généralisation du modèle. Une valeur trop grande rendra les effets du réglage fin moins perceptibles.Uniquement effectif lorsque training_type est efficient_sft ou dpo_lora.save_strategy string (Facultatif)Stratégie de sauvegarde des points de contrôle. Peut être défini sur epoch ou steps. Lorsqu'il est défini sur steps, vous pouvez ajuster l'intervalle de sauvegarde avec le paramètre save_steps.Uniquement effectif lorsque training_type est efficient_sft ou sft.save_steps int (Facultatif)Étapes de sauvegarde. Définit le nombre de pas d'entraînement entre chaque sauvegarde de point de contrôle du modèle. Il est recommandé de le définir comme un multiple entier de eval_steps.Uniquement effectif lorsque training_type est efficient_sft ou sft.save_total_limit int (Facultatif)Limite de sauvegarde des points de contrôle. Valeur recommandée : 10. Limite le nombre maximal de points de contrôle sauvegardés pour le déploiement.Uniquement effectif lorsque training_type est efficient_sft ou sft.Array of Dataset (Obligatoire)Liste des fichiers du jeu de données d'entraînement.
Structure du jeu de données data_source_type string (Obligatoire)Type de source de données. Valeurs disponibles :
object (Requis conditionnellement)Requis lorsque le type de source de données est oss_mount. Informations de montage OSS.
Propriétés region string (Requis)La région du Bucket OSS à monter. Prend en charge Pékin (cn-beijing) et Singapour (ap-southeast-1).bucket string (Requis)Le nom du Bucket OSS à monter.file_path string (Obligatoire)Le chemin du fichier OSS (clé d'objet) à monter. Pour les jeux de données contenant plusieurs fichiers, utilisez le chemin vers data.jsonl. Contrairement à la méthode file_id, vous devez charger le dossier de jeu de données non compressé vers OSS. Les fichiers Zip ne sont pas pris en charge.string (Requis conditionnellement)Requis lorsque le type de source de données est file_id. ID de fichier, généré par l'API de chargement de fichiers.Array of Dataset (Facultatif)Liste des fichiers du jeu de données de validation. Même structure que training_datasets.job_name string (Facultatif)Nom de la tâche de réglage.model_name string (Facultatif)Nom du modèle une fois le réglage terminé. |
Paramètres de réponserequest_idstringL'ID de cette requête.output objectDétails de la tâche.
Propriétés job_id stringIdentifiant unique de la tâche de réglage fin, utilisé pour interroger les détails de la tâche, les journaux, ou pour annuler ou supprimer la tâche. Règle de génération : ft-{yyyyMMddHHmm}-{4 char uuid}.job_name stringNom de la tâche de réglage fin.status stringÉtat de la tâche de réglage fin :
stringLe nouvel ID de modèle produit après le réglage fin. Renvoyé lorsque l'état de la tâche est SUCCEEDED.model stringLe modèle de base utilisé.base_model stringLe modèle de base utilisé.training_file_ids arrayChamp hérité pour la compatibilité descendante, renvoie toujours un tableau vide pour les nouvelles tâches. Utilisez training_datasets.training_datasets Array of DatasetListe des jeux de données d'entraînement.validation_file_ids arrayChamp hérité pour la compatibilité descendante, renvoie toujours un tableau vide pour les nouvelles tâches. Utilisez validation_datasets.validation_datasets Array of DatasetListe des jeux de données de validation. Tableau vide si aucun jeu de validation n'est spécifié.hyper_parameters objectLes hyperparamètres réellement utilisés.training_type stringLa méthode d'entraînement pour le réglage fin.create_time stringHeure de création de la tâche.end_time stringHeure de fin de la tâche. Renvoyée lorsque l'état de la tâche est SUCCEEDED, FAILED ou CANCELED.usage integerLe nombre de tokens consommés par la tâche de réglage fin. Pour la formule de calcul de la facturation, consultez : Facturation. Renvoyé lorsque l'état de la tâche est SUCCEEDED ou CANCELED.workspace_id stringL'ID de l'espace de travail de la tâche de réglage.user_identity stringIdentité de l'utilisateur, ID de compte Alibaba Cloud.creator stringID de compte Alibaba Cloud du créateur.modifier stringID de compte Alibaba Cloud du modificateur.group stringGroupe de tâches de réglage fin.stringCode d'erreur. Renvoyé lorsque l'appel échoue. Consultez le tableau des codes d'erreur ci-dessous.message stringDétails du message d'erreur. Renvoyé lorsque l'appel échoue. |
Codes d'erreur
Si l'appel échoue et renvoie un message d'erreur, consultez le tableau suivant pour le dépannage.
Code d'état HTTP | Code d'erreur | Solution |
|---|---|---|
400 | InvalidParameter | Erreur de paramètre: paramètres manquants ou problèmes de format. Corrigez vos paramètres en vous basant sur le message d'erreur. |
400 | UnsupportedOperation | Impossible d'effectuer l'opération sur la ressource lorsqu'elle est dans un état spécifique. Attendez que la ressource atteigne un état opérationnel avant de réessayer. |
404 | NotFound | La ressource à interroger/utiliser n'existe pas. Vérifiez si l'ID de la ressource est incorrect. |
409 | Conflict | Une instance de déploiement portant le même nom existe déjà. Spécifiez un suffixe pour la différencier. |
429 | Throttling | La création de ressources a déclenché une limite de la plateforme. Supprimez les modèles qui ne sont plus utilisés. |
500 | InternalError | Erreur interne. Notez le request_id et contactez les ingénieurs d'Alibaba Cloud via un ticket pour investigation. |