Saltar al contenido principal
Capítulos de la guía de entrenamiento Toda la documentación

Elige un entorno de ejecución y exporta tu modelo

Entrena en GPU gestionadas, en tu centro de datos o en un entorno compatible con Colab; entiende exactamente qué se entrega.

Capítulos de la guía de entrenamiento

Los comandos y el código se mantienen en inglés en todos los idiomas. Sustituye los marcadores en mayúsculas por valores de tu cuenta y de tu tarea de pago; no pegues claves reales en cuadernos ni registros compartidos.

Elige dónde entrenar

El mismo SDK se conecta desde cada entorno compatible; elegir su nombre no crea hardware.
  1. Alojamiento gestionado Entorno GPU de FusionPointAI acordado
  2. Tu centro de datos GPU y almacenamiento bajo control del cliente
  3. Colab Entorno compatible con Colab
  4. Artefacto local Exportar y validar antes de la inferencia

Elegir un entorno que controles

TrainingProject acepta fusionpointai_hosting, customer_datacenter o colab como identificadores del entorno. El identificador no crea una instancia GPU, no proporciona capacidad para notebooks ni garantiza la compatibilidad del dispositivo. Instala dependencias compatibles, protege la clave y comprueba que haya almacenamiento persistente donde se ejecute el entrenamiento local.

  • Las sesiones de notebook pueden terminar y el almacenamiento puede ser temporal.
  • El acceso al modelo de referencia requiere conexión de red; el entrenamiento local se realiza en el entorno seleccionado.
  • La capacidad de cómputo y el acceso al modelo de referencia son independientes.
Ejemplo · text 
fusionpointai_hosting  -> agreed FusionPointAI compute environment
customer_datacenter   -> your own compatible compute environment
colab                 -> compatible notebook runtime

Choose the runtime already approved for your paid job.
Selecting a runtime does not allocate GPUs or notebook credits.
Ejemplo · bash 
# Run in a notebook terminal/shell after installing the SDK.
# Set FUSIONPOINTAI_API_KEY through the runtime's secret facility.
# The downloaded source includes the current Colab example.
curl --fail --silent --show-error \
  https://fusionpointai.com/downloads/fusionpointai-training.zip \
  --output fusionpointai-training.zip
unzip fusionpointai-training.zip -d fusionpointai-training-src
python fusionpointai-training-src/examples/colab_training.py \
  --job "$FUSIONPOINTAI_JOB_UUID" --output /content/customer-model-run-001
# Output must be new. Save your artifact before the notebook is terminated.
Ejemplo · python 
import os

supported_runtimes = {
    "fusionpointai_hosting",
    "customer_datacenter",
    "colab",
}
runtime = os.environ["FUSIONPOINTAI_TRAINING_RUNTIME"]
if runtime not in supported_runtimes:
    raise ValueError("Choose a supported training runtime")
print("Selected runtime:", runtime)
# Selection alone does not allocate compute or open a training session.
Ejemplo · python 
from importlib.metadata import PackageNotFoundError, version
from importlib.util import find_spec

for package in ("fusionpointai-training", "httpx", "torch", "transformers", "peft"):
    try:
        print(f"{package}=={version(package)}")
    except PackageNotFoundError:
        print(f"{package}: not installed")

for module in ("torch", "transformers", "peft", "safetensors"):
    print(f"{module} importable:", find_spec(module) is not None)
# The train extra includes optional model-training dependencies; inspect before use.

Revisar el artefacto local del proyecto

La ejecución escribe los archivos del modelo o adaptador, los recursos del tokenizador, los informes de entrenamiento y evaluación, los metadatos y un manifiesto en su directorio de salida propio. La exportación de un adaptador requiere el modelo base y el tokenizador exactos. Exportar valida los archivos locales; no carga el archivo del modelo ni el paquete de despliegue en la API.

  • Comprueba las rutas, los tamaños y los valores SHA-256 del manifiesto.
  • Conserva juntas las revisiones del modelo y del tokenizador.
  • No incluyas claves API, secretos de conjuntos de datos ni archivos ajenos a la entrega.
Ejemplo · bash 
cat ./support-project/runs/support-001/training-report.json
cat ./support-project/runs/support-001/evaluation-report.json
cat ./support-project/runs/support-001/artifact-manifest.json
sha256sum ./support-project/runs/support-001/exports/safetensors/artifact-manifest.json
# Compare the digest with the value returned by project.export().
# Adapter exports also require the matching base model and tokenizer.

Usar el modelo exportado por separado

Carga el modelo o adaptador exportado en un entorno de inferencia compatible y realiza las comprobaciones de aceptación antes de servirlo a los usuarios. Una vez desplegado el modelo entrenable por separado, la inferencia normal no necesita llamar al modelo de referencia. La exportación valida los archivos locales y escribe manifiestos de reproducibilidad; no despliega el modelo ni garantiza que todos los formatos funcionen en todos los dispositivos.

  • Vuelve a comprobar la compatibilidad del tokenizador, la precisión y la memoria al desplegar.
  • Conserva un artefacto para revertir el cambio y su informe de evaluación.
  • No sobrescribas un modelo en funcionamiento antes de que el sustituto supere la aceptación.