ฝึกฝนโมเดล AI ฟรี! ด้วย Unsloth และ Hugging Face Jobs

pip install huggingface_hub[cli]

    /add-marketplace HuggingFace/skills

    /install HuggingFace/model-trainer

    $skill-installer install HuggingFace/model-trainer

/train model --model Qwen/Qwen2.5-0.5B --dataset trl-lib/Capybara --use-unsloth

# Example Training Script (Conceptual)

from unsloth import FastLlamaModel

from datasets import load_dataset

from trl import SFTTrainer

from transformers import TrainingArguments



# Load model and tokenizer

model, tokenizer = FastLlamaModel.from_pretrained(

    "unsloth/Qwen2.5-0.5B-Instruct",

    max_seq_length=2048,

    torch_dtype="auto",

    load_in_4bit=True,

)



# Load dataset

dataset = load_dataset("trl-lib/Capybara", split="train")



# Training arguments

training_args = TrainingArguments(

    output_dir="output",

    per_device_train_batch_size=2,

    gradient_accumulation_steps=4,

    warmup_steps=10,

    max_steps=100,

    learning_rate=2e-4,

    fp16=True,

    logging_steps=1,

    optim="adamw_torch",

)



# Trainer

trainer = SFTTrainer(

    model=model,

    tokenizer=tokenizer,

    train_dataset=dataset,

    args=training_args,

    dataset_text_field="text",

)



# Train

trainer.train()



# Save model

trainer.save_model("your-hf-username/your-model-name")

ฝึกฝนโมเดล AI ฟรี! ด้วย Unsloth และ Hugging Face Jobsการพัฒนาปัญญาประดิษฐ์ (AI) กำลังก้าวหน้าอย่างรวดเร็ว และหนึ่งในเครื่องมือสำคัญที่ช่วยให้นักพัฒนาเข้าถึงการสร้างสรรค์ AI ได้ง่ายขึ้น คือการ Fine-tuning โมเดลภาษาขนาดเล็ก (Small Language Models - SLMs) ซึ่งมีความยืดหยุ่น ต้นทุนต่ำ และให้ผลลัพธ์ที่น่าประทับใจในงานเฉพาะทาง วันนี้เรามีข่าวดีสำหรับผู้ที่สนใจในการฝึกฝนโมเดล AI โดยเฉพาะการใช้ Unsloth ร่วมกับ Hugging Face Jobs ที่จะช่วยให้คุณทำสิ่งนี้ได้ ฟรี!ทำไมต้องเลือกโมเดลขนาดเล็กสำหรับการ Fine-tuning?โมเดลภาษาขนาดเล็ก เช่น LFM2.5-1.2B-Instruct เป็นตัวเลือกที่ยอดเยี่ยมสำหรับการ Fine-tuning ด้วยเหตุผลหลายประการ:ต้นทุนการฝึกต่ำ: ใช้ทรัพยากรน้อยกว่าโมเดลขนาดใหญ่ ทำให้ประหยัดค่าใช้จ่ายพัฒนาซ้ำได้รวดเร็ว: สามารถทดลองและปรับปรุงโมเดลได้อย่างว่องไวประสิทธิภาพสูงในงานเฉพาะทาง: ถึงแม้จะมีขนาดเล็ก แต่ก็สามารถแข่งขันกับโมเดลขนาดใหญ่กว่าได้ในงานที่เจาะจงใช้งานได้หลากหลาย: LFM2.5-1.2B-Instruct ใช้หน่วยความจำน้อยกว่า 1GB และถูกปรับให้เหมาะกับการใช้งานบนอุปกรณ์ต่างๆ เช่น คอมพิวเตอร์ตั้งโต๊ะ โทรศัพท์มือถือ หรือแม้แต่การทำงานบน CPUข้อเสนอสุดพิเศษ: เครดิตฟรีและสิทธิพิเศษสำหรับ Unsloth Jobs Explorersเพื่อสนับสนุนชุมชนนักพัฒนา Hugging Face และ Unsloth กำลังมอบ เครดิตฟรี สำหรับการ Fine-tune โมเดลบน Hugging Face Jobs พร้อม รับสิทธิ์ใช้งาน Pro ฟรี 1 เดือน เพียงเข้าร่วมองค์กร Unsloth Jobs Explorers เพื่อรับสิทธิ์นี้สิ่งที่ต้องเตรียมก่อนเริ่มการเริ่มต้นฝึกฝนโมเดล AI กับ Unsloth และ Hugging Face Jobs นั้นไม่ยุ่งยาก เพียงเตรียมสิ่งเหล่านี้:บัญชี Hugging Face: จำเป็นสำหรับการใช้งาน Hugging Face Jobsตั้งค่าการชำระเงิน: เพื่อการยืนยันตัวตน (คุณสามารถตรวจสอบการใช้งานและจัดการการเรียกเก็บเงินได้ตลอดเวลา)Hugging Face Token: ที่มีสิทธิ์ในการเขียน (write permissions)(ทางเลือก) Coding Agent: เช่น Open Code, Claude Code หรือ Codex หากต้องการเครื่องมือช่วยในการเขียนโค้ดเริ่มต้นฝึกฝนโมเดลด้วย hf jobs CLIหากคุณต้องการฝึกฝนโมเดลโดยใช้ Hugging Face Jobs และ Unsloth คุณสามารถใช้ hf jobs CLI เพื่อส่ง Job ได้ง่ายๆขั้นตอนที่ 1: ติดตั้ง hf CLIรันคำสั่งต่อไปนี้:pip install huggingface_hub[cli]ขั้นตอนที่ 2: ส่ง Job เพื่อฝึกฝนโมเดลหลังจากติดตั้ง hf CLI แล้ว คุณสามารถใช้คำสั่งเพื่อส่ง Job ได้ (โปรดดูรายละเอียดเพิ่มเติมในสคริปต์การฝึกฝนและเอกสารของ Hugging Face Jobs)ติดตั้ง Skill ด้วย Coding Agent: วิธีที่ง่ายกว่าHugging Face Skills ช่วยลดความซับซ้อนในการฝึกฝนโมเดล AI เพียงแค่ใช้ Prompt คำสั่งกับ Coding Agent ที่คุณเลือกสำหรับ Claude CodeClaude Code ค้นหา Skills ผ่านระบบ Plugin ของมัน ดังนั้นเราต้องติดตั้ง Hugging Face Skills ก่อน:เพิ่ม Marketplace: /add-marketplace HuggingFace/skillsเรียกดู Skills ที่มี: ไปที่แท็บ "Discover" เพื่อดู Skills ที่มีให้เลือกติดตั้ง Model Trainer Skill: /install HuggingFace/model-trainerดูรายละเอียดเพิ่มเติมได้ในเอกสารการใช้งาน Hub ร่วมกับ Skills หรือเอกสาร Claude Code Skillsสำหรับ CodexCodex ค้นหา Skills ผ่านไฟล์ AGENTS.md และไดเรกทอรี .agents/skills/ติดตั้ง Individual Skills: $skill-installer install HuggingFace/model-trainerดูรายละเอียดเพิ่มเติมได้ในเอกสาร Codex Skills และคู่มือ AGENTS.mdวิธีติดตั้งทั่วไปอีกวิธีคือการ Clone repository ของ Skills และคัดลอก Skill ไปยังไดเรกทอรี Skills ของ Agent ของคุณเมื่อติดตั้ง Skill เรียบร้อยแล้ว ให้สั่ง Coding Agent ของคุณให้ฝึกฝนโมเดล:/train model --model Qwen/Qwen2.5-0.5B --dataset trl-lib/Capybara --use-unslothAgent จะสร้างสคริปต์การฝึกฝน, ส่ง Job ไปยัง Hugging Face Jobs, และรายงาน Link สำหรับติดตามผลผ่าน Trackioการทำงานเบื้องหลัง: Hugging Face JobsTraining Jobs จะทำงานบน Hugging Face Jobs ซึ่งเป็น Cloud GPU ที่มีการจัดการเต็มรูปแบบ Agent จะทำหน้าที่:สร้างสคริปต์ UV พร้อม Dependenciesส่ง Job ผ่าน hf CLIรายงาน Job ID และ URL สำหรับติดตามPush โมเดลที่ฝึกฝนเสร็จแล้วไปยัง Hugging Face Hub Repository ของคุณตัวอย่างสคริปต์การฝึกฝนSkill จะสร้างสคริปต์ที่คล้ายกับตัวอย่างนี้:# Example Training Script (Conceptual) from unsloth import FastLlamaModel from datasets import load_dataset from trl import SFTTrainer from transformers import TrainingArguments # Load model and tokenizer model, tokenizer = FastLlamaModel.from_pretrained( "unsloth/Qwen2.5-0.5B-Instruct", max_seq_length=2048, torch_dtype="auto", load_in_4bit=True, ) # Load dataset dataset = load_dataset("trl-lib/Capybara", split="train") # Training arguments training_args = TrainingArguments( output_dir="output", per_device_train_batch_size=2, gradient_accumulation_steps=4, warmup_steps=10, max_steps=100, learning_rate=2e-4, fp16=True, logging_steps=1, optim="adamw_torch", ) # Trainer trainer = SFTTrainer( model=model, tokenizer=tokenizer, train_dataset=dataset, args=training_args, dataset_text_field="text", ) # Train trainer.train() # Save model trainer.save_model("your-hf-username/your-model-name")(หมายเหตุ: นี่เป็นเพียงตัวอย่างสคริปต์เชิงแนวคิด รายละเอียดอาจแตกต่างกันไปตาม Skill และการตั้งค่า)สำหรับภาพรวมราคา Hugging Face Spaces โปรดดูคู่มือที่นี่เคล็ดลับในการทำงานกับ Coding Agentsระบุโมเดลและชุดข้อมูลให้ชัดเจน: รวมถึง Hub IDs (เช่น Qwen/Qwen2.5-0.5B และ trl-lib/Capybara) Agent จะค้นหาและยืนยันการผสมผสานเหล่านี้ระบุ Unsloth อย่างชัดเจน: หากคุณต้องการใช้ Unsloth มิฉะนั้น Agent จะเลือก Framework ตามโมเดลและงบประมาณขอประมาณการค่าใช้จ่าย: ก่อนเริ่ม Job ขนาดใหญ่ขอ Trackio Monitoring: เพื่อดู Loss Curves แบบเรียลไทม์ตรวจสอบสถานะ Job: โดยขอให้ Agent ตรวจสอบ Logs หลังจากการส่ง Jobแหล่งข้อมูลเพิ่มเติมHugging Face Skills Repository: [ลิงก์ไปยัง Repository]Free Credits for Unsloth Jobs Explorers: [ลิงก์ไปยังหน้าข้อเสนอ]Unsloth Tutorial on Hugging Face Jobs: [ลิงก์ไปยัง Tutorial]Example Unsloth Jobs scripts: [ลิงก์ไปยังตัวอย่างสคริปต์]การ Fine-tuning โมเดล AI ไม่เคยง่ายและเข้าถึงได้เท่านี้มาก่อน! ใช้โอกาสนี้ในการทดลองและสร้างสรรค์โมเดล AI ของคุณเองด้วย Unsloth และ Hugging Face Jobs#AI #MachineLearning #FineTuning #HuggingFace #Unslothhttps://huggingface.co/blog/unsloth-jobs