Mise au point complète
Le réglage fin complet utilise les connaissances antérieures du modèle de base comme point de départ pour adapter le modèle en le réglant avec un ensemble de données plus petit et spécifique à la tâche. La méthode de réglage fin complet modifie les pondérations des paramètres d'un modèle dont les pondérations ont été définies lors d'un apprentissage préalable afin de personnaliser le modèle pour une tâche donnée.
Comment fonctionne le réglage fin
Utilisez le Tuning Studio pour mener une expérience de réglage fin qui utilise l'apprentissage supervisé pour former un modèle de base à une tâche spécifique. Vous fournissez des données de formation qui consistent en des exemples d'entrées utilisateur et des paires de sorties du modèle de fondation attendues qui sont modélisées pour votre tâche. À partir des données que vous fournissez, le Tuning Studio procède à une expérience d'ajustement fin.
L'expérience d'ajustement fin gère une série de cycles d'entraînement au cours desquels la sortie générée par le modèle de base est comparée à la sortie des données d'entraînement. Sur la base des différences entre les deux réponses, l'expérience ajuste les valeurs de pondération des paramètres du modèle de fondation sous-jacent. Après de nombreuses exécutions des données d'apprentissage, le modèle trouve les poids des paramètres qui génèrent une sortie plus proche de celle que vous souhaitez. Le résultat de l'expérience d'ajustement fin est un nouveau modèle de base adapté à votre tâche.
Workflow complet de réglage fin
Au cours d'une expérience de réglage fin complet, les pondérations des paramètres du modèle de réglage sont ajustées à plusieurs reprises afin que ses prédictions s'améliorent au fil du temps.
Le diagramme suivant illustre les étapes qui se déroulent lors d'une expérience de réglage fin.
Les parties du flux d'expériences que vous pouvez configurer sont mises en évidence par une icône d'utilisateur 
. Ces points de décision correspondent aux paramètres de réglage de l'expérience que vous contrôlez. Voir Paramètres de réglage des modèles de fondation.
Le diagramme montre les étapes suivantes de l'expérience complète de réglage fin :
L'expérience lit les données d'apprentissage, les symbolise et les convertit en lots.
La taille des lots est déterminée par le paramètre " taille du lot".
Envoie les données des exemples du lot au modèle de base pour qu'il les traite et génère des résultats.
Compare la sortie du modèle à la sortie des données d'apprentissage correspondant aux données d'apprentissage soumises. Il calcule ensuite le gradient de perte, qui mesure la différence entre la sortie prédite et la sortie réelle à partir des données d'apprentissage.
L'expérience ajuste les poids des paramètres du modèle de fondation en fonction de la perte calculée du modèle. Le moment où cet ajustement se produit dépend de la façon dont le paramètre " Accumulation steps" (étapes d'accumulation) est configuré.
Des ajustements sont appliqués aux poids des paramètres du modèle de fondation. Le degré de modification des poids est contrôlé par le paramètre " taux d'apprentissage".
L'entrée de l'exemple suivant dans les données de formation est soumise au modèle de base en tant qu'entrée.
Le processus se répète jusqu'à ce que tous les exemples de tous les lots soient traités.
L'ensemble des lots est traité autant de fois que spécifié dans le paramètre Nombre d'époques.