Contoh kode untuk Throughput yang Disediakan

Contoh kode berikut menunjukkan cara membuat, menggunakan, dan mengelola Provisioned Throughput dengan dan Python AWS CLI . SDK

AWS CLI

Buat Throughput Penyediaan tanpa komitmen yang dipanggil MyPT berdasarkan model khusus yang disebut MyCustomModel yang disesuaikan dari Anthropic Claude model v2.1 dengan menjalankan perintah berikut di terminal.

aws bedrock create-provisioned-model-throughput \
   --model-units 1 \
   --provisioned-model-name MyPT \
   --model-id arn:aws:bedrock:us-east-1::custom-model/anthropic.claude-v2:1:200k/MyCustomModel

Respons mengembalikan aprovisioned-model-arn. Berikan waktu untuk pembuatan selesai. Untuk memeriksa statusnya, berikan nama atau ARN model yang disediakan seperti provisioned-model-id pada perintah berikut.

aws bedrock get-provisioned-model-throughput \
    --provisioned-model-id MyPT

Ubah nama Provisioned Throughput dan kaitkan dengan model berbeda yang disesuaikan dari Anthropic Claude v2.1.

aws bedrock update-provisioned-model-throughput \
    --provisioned-model-id MyPT \ 
    --desired-provisioned-model-name MyPT2 \
    --desired-model-id arn:aws:bedrock:us-east-1::custom-model/anthropic.claude-v2:1:200k/MyCustomModel2

Jalankan inferensi dengan model penyediaan Anda yang diperbarui dengan perintah berikut. Anda harus memberikan ARN model yang disediakan, dikembalikan dalam UpdateProvisionedModelThroughput tanggapan, sebagai. model-id Output ditulis ke file bernama output.txt di folder Anda saat ini.

aws bedrock-runtime invoke-model \
    --model-id ${provisioned-model-arn} \
    --body '{"inputText": "What is AWS?", "textGenerationConfig": {"temperature": 0.5}}' \
    --cli-binary-format raw-in-base64-out \
    output.txt

Hapus Provisioned Throughput menggunakan perintah berikut. Anda tidak akan lagi dikenakan biaya untuk Throughput yang Disediakan.

aws bedrock delete-provisioned-model-throughput 
  --provisioned-model-id MyPT2

Python (Boto)

Buat Throughput Penyediaan tanpa komitmen yang dipanggil MyPT berdasarkan model khusus yang disebut MyCustomModel yang disesuaikan dari Anthropic Claude model v2.1 dengan menjalankan cuplikan kode berikut.

import boto3 
                    
bedrock = boto3.client(service_name='bedrock')
bedrock.create_provisioned_model_throughput(
    modelUnits=1,
    provisionedModelName='MyPT', 
    modelId='arn:aws:bedrock:us-east-1::custom-model/anthropic.claude-v2:1:200k/MyCustomModel' 
)

Respons mengembalikan aprovisionedModelArn. Berikan waktu untuk pembuatan selesai. Anda dapat memeriksa statusnya dengan cuplikan kode berikut. Anda dapat memberikan nama Throughput yang Disediakan atau yang ARN dikembalikan dari CreateProvisionedModelThroughputrespons sebagai. provisionedModelId

bedrock.get_provisioned_model_throughput(provisionedModelId='MyPT')

Ubah nama Provisioned Throughput dan kaitkan dengan model berbeda yang disesuaikan dari Anthropic Claude v2.1. Kemudian kirim GetProvisionedModelThroughputpermintaan dan simpan model ARN yang disediakan ke variabel yang akan digunakan untuk inferensi.

bedrock.update_provisioned_model_throughput(
    provisionedModelId='MyPT',
    desiredProvisionedModelName='MyPT2',
    desiredModelId='arn:aws:bedrock:us-east-1::custom-model/anthropic.claude-v2:1:200k/MyCustomModel2'
)
                
arn_MyPT2 = bedrock.get_provisioned_model_throughput(provisionedModelId='MyPT2').get('provisionedModelArn')

Jalankan inferensi dengan model penyediaan Anda yang diperbarui dengan perintah berikut. Anda harus memberikan ARN model yang disediakan sebagai. modelId

import json
import logging
import boto3

from botocore.exceptions import ClientError


class ImageError(Exception):
    "Custom exception for errors returned by the model"

    def __init__(self, message):
        self.message = message


logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)


def generate_text(model_id, body):
    """
    Generate text using your provisioned custom model.
    Args:
        model_id (str): The model ID to use.
        body (str) : The request body to use.
    Returns:
        response (json): The response from the model.
    """

    logger.info(
        "Generating text with your provisioned custom model %s", model_id)

    brt = boto3.client(service_name='bedrock-runtime')

    accept = "application/json"
    content_type = "application/json"

    response = brt.invoke_model(
        body=body, modelId=model_id, accept=accept, contentType=content_type
    )
    response_body = json.loads(response.get("body").read())

    finish_reason = response_body.get("error")

    if finish_reason is not None:
        raise ImageError(f"Text generation error. Error is {finish_reason}")

    logger.info(
        "Successfully generated text with provisioned custom model %s", model_id)

    return response_body


def main():
    """
    Entrypoint for example.
    """
    try:
        logging.basicConfig(level=logging.INFO,
                            format="%(levelname)s: %(message)s")

        model_id = arn_myPT2

        body = json.dumps({
            "inputText": "what is AWS?"
        })

        response_body = generate_text(model_id, body)
        print(f"Input token count: {response_body['inputTextTokenCount']}")

        for result in response_body['results']:
            print(f"Token count: {result['tokenCount']}")
            print(f"Output text: {result['outputText']}")
            print(f"Completion reason: {result['completionReason']}")

    except ClientError as err:
        message = err.response["Error"]["Message"]
        logger.error("A client error occurred: %s", message)
        print("A client error occured: " +
              format(message))
    except ImageError as err:
        logger.error(err.message)
        print(err.message)

    else:
        print(
            f"Finished generating text with your provisioned custom model {model_id}.")


if __name__ == "__main__":
    main()

Hapus Throughput yang Disediakan dengan cuplikan kode berikut. Anda tidak akan lagi dikenakan biaya untuk Throughput yang Disediakan.

bedrock.delete_provisioned_model_throughput(provisionedModelId='MyPT2')