使用 .NET Core、Python 和 Azure 微调大型语言模型 (LLM)

目录

1. 引言
2. 为什么微调大型语言模型？
3. 解决方案概述
4. 环境设置
5. 使用 Python 进行训练和微调
6. 在 .NET Core 中集成微调后的模型
7. 部署到 Azure
8. 最佳实践
9. 结论

---

1. 引言

大型语言模型 (LLM) 因其理解和生成类似人类文本的能力而受到广泛关注。然而，许多组织拥有独特的、特定于领域的数据集和词汇表，通用模型可能无法完全捕捉到这些数据集和词汇表。微调使开发人员能够根据特定环境或行业调整这些大型模型，从而提高准确性和相关性。

本文将探讨如何使用 Python 微调 LLM，然后将生成的模型集成并部署到 .NET Core C# 应用程序中，所有这些都在 Microsoft Azure 上完成，以实现可扩展性和便捷性。

---

2. 为什么微调大型语言模型？

3. 领域专用性: 可以微调 LLM 以使用特定行业的术语、产品名称或专业术语。

4. 性能提升: 微调通常会减少错误并在客户服务、研究和分析等用例中提高相关性。

5. 降低成本: 无需从头开始构建模型，您可以自定义现有的强大 LLM。

6. 提高效率: 您利用预训练权重，只调整最终层或参数，从而加快流程。

---

3. 解决方案概述

组件和技术

1. 用于微调的 Python

   • 常用库（例如，Hugging Face Transformers、PyTorch）
   • 简化了加载和调整预训练模型的过程

2. 用于集成的 .NET Core C#

   • 公开微调模型的后端服务或 API
   • 强类型语言，许多企业开发人员都很熟悉

3. Azure 服务

   • Azure 机器学习 用于训练和模型管理
   • Azure 存储 用于数据和模型工件
   • Azure 应用服务 或 Azure 函数 用于托管 .NET Core 应用程序
   • Azure 密钥保管库（可选）用于保护凭据

---

4. 环境设置

先决条件

• Azure 订阅: 需要创建机器学习工作区和应用服务等资源。
• Python 3.8 : 在本地安装，用于模型微调。
• .NET 6/7/8 SDK: 用于创建和运行 .NET Core C# 应用程序。
• Visual Studio 2022 或 Visual Studio Code: 建议使用的 IDE。
• Azure CLI: 用于通过终端配置和管理 Azure 服务。
• Docker（可选）：如果需要，可用于容器化您的应用程序。

---

5. 使用 Python 进行训练和微调

此示例使用 Hugging Face Transformers——这是最广泛采用的 LLM 微调库之一。

5.1 设置虚拟环境

<code>python -m venv venv
source venv/bin/activate  # 在 Windows 上：venv\Scripts\activate</code>

5.2 安装依赖项

<code>pip install torch transformers azureml-sdk</code>

5.3 创建 Azure 机器学习工作区

1. 资源组 和 工作区:

<code>   az group create --name LLMFinetuneRG --location eastus
   az ml workspace create --name LLMFinetuneWS --resource-group LLMFinetuneRG</code>

1. 配置本地环境以连接到工作区（使用 config.json 文件或环境变量）。

5.4 微调脚本 (train.py)

<code>import os
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from azureml.core import Workspace, Run

# 连接到 Azure ML
ws = Workspace.from_config()
run = Run.get_context()

model_name = "gpt2"  # 示例模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# 加载自定义数据集（本地或来自 Azure 存储）
# 示例：Azure ML 中的文本文件或数据集
train_texts = ["此处输入您的特定领域文本..."]  # 简化版
train_encodings = tokenizer(train_texts, truncation=True, padding=True)

class CustomDataset(torch.utils.data.Dataset):
    def __init__(self, encodings):
        self.encodings = encodings
    def __len__(self):
        return len(self.encodings["input_ids"])
    def __getitem__(self, idx):
        return {k: torch.tensor(v[idx]) for k, v in self.encodings.items()}

train_dataset = CustomDataset(train_encodings)

training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=2,
    save_steps=100,
    logging_steps=100
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
)

trainer.train()

# 保存微调后的模型
trainer.save_model("./fine_tuned_model")
tokenizer.save_pretrained("./fine_tuned_model")</code>

5.5 在 Azure 中注册模型

<code>from azureml.core.model import Model

model = Model.register(
    workspace=ws,
    model_path="./fine_tuned_model",
    model_name="myFineTunedLLM"
)</code>

此时，您的微调模型已存储在 Azure 机器学习中，方便访问和版本控制。

---

6. 在 .NET Core 中集成微调后的模型

6.1 创建 .NET Core Web API 项目

<code>dotnet new webapi -n FineTunedLLMApi
cd FineTunedLLMApi</code>

6.2 添加依赖项

• HttpClient 用于调用 Azure 端点或本地推理 API
• Newtonsoft.Json（如果您更喜欢使用 JSON.NET 进行序列化）
• Azure.Storage.Blobs 或 Azure.Identity 用于安全访问 Azure 资源

<code>dotnet add package Microsoft.Extensions.Http
dotnet add package Microsoft.Azure.Storage.Blob
dotnet add package Newtonsoft.Json</code>

6.3 ModelConsumerService.cs

假设您已将微调后的模型部署为 Web 服务（例如，使用 Azure 容器实例或 Azure ML 中的自定义端点）。以下代码段调用该服务以获取完成结果。

<code>using Newtonsoft.Json;
using System.Net.Http;
using System.Text;
using System.Threading.Tasks;

public class ModelConsumerService
{
    private readonly HttpClient _httpClient;

    public ModelConsumerService(IHttpClientFactory httpClientFactory)
    {
        _httpClient = httpClientFactory.CreateClient("FineTunedModel");
    }

    public async Task<string> GetCompletionAsync(string prompt)
    {
        var requestBody = new { prompt = prompt };
        var content = new StringContent(
            JsonConvert.SerializeObject(requestBody),
            Encoding.UTF8, 
            "application/json");

        var response = await _httpClient.PostAsync("/predict", content);
        response.EnsureSuccessStatusCode();
        return await response.Content.ReadAsStringAsync();
    }
}</string></code>

6.4 LLMController.cs

<code>using Microsoft.AspNetCore.Mvc;
using System.Threading.Tasks;

[ApiController]
[Route("[controller]")]
public class LLMController : ControllerBase
{
    private readonly ModelConsumerService _modelService;

    public LLMController(ModelConsumerService modelService)
    {
        _modelService = modelService;
    }

    [HttpPost("complete")]
    public async Task<iactionresult> CompletePrompt([FromBody] PromptRequest request)
    {
        var result = await _modelService.GetCompletionAsync(request.Prompt);
        return Ok(new { Completion = result });
    }
}

public class PromptRequest
{
    public string Prompt { get; set; }
}</iactionresult></code>

6.5 配置 .NET Core 应用程序

在 Program.cs 或 Startup.cs 中：

<code>var builder = WebApplication.CreateBuilder(args);

// 注册 HttpClient
builder.Services.AddHttpClient("FineTunedModel", client =>
{
    client.BaseAddress = new Uri("https://your-model-endpoint/");
});

// 注册 ModelConsumerService
builder.Services.AddTransient<modelconsumerservice>();

builder.Services.AddControllers();
var app = builder.Build();

app.MapControllers();
app.Run();</modelconsumerservice></code>

---

7. 部署到 Azure

8. Azure 应用服务:

   • 对于许多 .NET Core 应用程序来说，这是最简单的途径。
   • 从 Azure 门户或通过 CLI 创建新的 Web 应用。

<code>python -m venv venv
source venv/bin/activate  # 在 Windows 上：venv\Scripts\activate</code>

1. Azure 函数（可选）：

   • 如果您的使用是间歇性的或计划性的，则非常适合运行无服务器、事件驱动的逻辑。

2. Azure Kubernetes 服务 (AKS)（高级）：

   • 非常适合大规模部署。
   • 使用 Docker 容器化您的应用程序并将其推送到 Azure 容器注册表 (ACR)。

---

8. 最佳实践

9. 数据隐私: 确保负责任地处理敏感或专有数据，尤其是在模型训练期间。

10. 监控和日志记录: 集成 Azure Application Insights 以监控性能、跟踪使用情况并检测异常。

11. 安全性: 使用 Azure 密钥保管库 来存储密钥（API 密钥、连接字符串）。

12. 模型版本控制: 跟踪 Azure ML 中不同微调版本的模型；如果需要，回滚到旧版本。

13. 提示工程: 完善您的提示以从微调后的模型中获得最佳结果。

---

9. 结论

使用 Python 和 Azure 机器学习 微调 LLM，然后将它们集成到 .NET Core 应用程序中，使您可以构建强大的特定领域 AI 解决方案。对于寻求利用 Python 的 AI 生态系统和 .NET 的企业功能的组织来说，这种组合是一个极好的选择，所有这些都由 Azure 的可扩展性提供支持。

通过仔细规划安全、数据治理和 DevOps，您可以推出一个满足现实世界需求的生产就绪型解决方案，在强大且易于维护的框架中提供准确的特定领域语言功能。

以上是使用 .NET Core、Python 和 Azure 微调大型语言模型 (LLM)的详细内容。更多信息请关注PHP中文网其他相关文章！