সব ভাষাতেই command ও code ইংরেজিতে থাকবে। বড় হাতের অক্ষরে লেখা placeholder নিজের account ও paid job-এর মান দিয়ে বদলান; shared notebook বা log-এ আসল key দেবেন না।
অপ্টিমাইজেশনের একটি প্রকৃত ধাপ
- ব্যাচ অনুমোদিত উদাহরণ টোকেনে ভাগ করুন
- পূর্বাভাস শিক্ষার্থী মডেলের ফরওয়ার্ড পাস চালান
- লস প্রশিক্ষণের ত্রুটি মাপুন
- অপ্টিমাইজেশন গ্রেডিয়েন্ট হিসাব করে প্যারামিটার হালনাগাদ
- চেকপয়েন্ট ফলস্বরূপ পাওয়া মডেল বা অ্যাডাপ্টার সংরক্ষণ
ব্যাচ: অনুমোদিত উদাহরণ টোকেনে ভাগ করুন. পূর্বাভাস: শিক্ষার্থী মডেলের ফরওয়ার্ড পাস চালান. লস: প্রশিক্ষণের ত্রুটি মাপুন. অপ্টিমাইজেশন: গ্রেডিয়েন্ট হিসাব করে প্যারামিটার হালনাগাদ. চেকপয়েন্ট: ফলস্বরূপ পাওয়া মডেল বা অ্যাডাপ্টার সংরক্ষণ
সমর্থিত training method বেছে নিন
SFT-তে supervised fine-tuning হয়। LoRA-তে low-rank adapter parameter প্রশিক্ষণ পায়। QLoRA-তে সামঞ্জস্যপূর্ণ quantized base-এর সঙ্গে adapter training যুক্ত হয়। Transformers causal-language-model adapter নির্বাচিত model, method ও runtime যাচাই করে; সব architecture বা device সমর্থিত নয়। Gradient-ভিত্তিক optimization student-এর ওজন বদলায়।
- Training-এর আগে learning rate, sequence length, batch size ও accumulation দেখুন।
- Method হলো SFT, LoRA ও QLoRA; Automatic mode auto বেছে নিতে পারে।
- Adapter package-এ তার সঙ্গে মেলা pinned base model ও tokenizer চাই।
Project methods: SFT | LoRA | QLoRA (Automatic mode may resolve auto).
Evaluation metrics: exact_match | macro_f1 | text_similarity | chrf.
Custom scorers require register_evaluator(name, scorer, version=...).
Model, tokenizer, device memory, precision and export must be compatible.
Teacher requests and local run time/storage are bounded by project budgets.
Validation and final-test JSONL are evaluated locally and are not shared.
Read the reviewed plan and compatibility result before starting a run.মালিকানাধীন project চালান
TrainingProject project যাচাই করে, প্রয়োজন হলে paid teacher authorization নেয়, স্থানীয় data প্রস্তুত করে, baseline মাপে, প্রকৃত optimization চালায়, held-out criterion মূল্যায়ন করে এবং report ও manifest লেখে। কনফিগার করা runtime-এ স্থানীয় training হয়। মাপা criterion ও নির্ধারিত stop condition-এর ওপর সফলতা নির্ভর করে।
- ভুয়া metric বা completion report জমা দেবেন না।
- প্রয়োজনমতো process, স্থানীয় storage ও teacher API connection চালু রাখুন।
- Reporting বা cleanup ব্যর্থ হলে স্থানীয় output রেখে retry করার আগে run state পরীক্ষা করুন।
# Continue with project from TrainingProject.from_file(...).
result = project.run()
print(result["status"], result["stop_reason"], result["unmet_criteria"])
# TrainingProject performs real local optimization and records its run report.import os
from fusionpointai_training import TrainingClient
client = TrainingClient(api_key=os.environ["FUSIONPOINTAI_API_KEY"])
session = client.get_session(os.environ["FUSIONPOINTAI_SESSION_ID"])
report = session.get("report")
last_event = report.get("last_event", {}) if isinstance(report, dict) else {}
print("State:", session["status"], "Step:", session["step"])
print("Last reported error code:", last_event.get("error_code"))
# A missing error_code does not prove success. Read state and your local report.
# Do not dump full provider responses, private data or authorization headers.Automatic ও Advanced mode
Automatic mode project ও runtime থেকে সামঞ্জস্যপূর্ণ training setting নির্ধারণ করে। Advanced mode একই Transformers training backend-এর জন্য স্পষ্ট সমর্থিত setting নেয়। দুই mode-ই স্থানীয় optimization করে, provenance লেখে এবং নির্ধারিত সময়, teacher-request ও storage budget মেনে চলে। Hardware ও model compatibility অবশ্যই মানতে হবে।
- Configuration mode হলো automatic ও advanced; method SFT, LoRA অথবা QLoRA, আর Automatic mode-এ auto নির্ধারিত হয়।
- পরিমাপ করা rubric ফল ও নির্ধারিত stop condition অনুযায়ী topic এগোয়।
- কোনো mode-ই নির্দিষ্ট benchmark বা inference সক্ষমতার নিশ্চয়তা দেয় না।