Gunakan model pondasi di Studio

Anda dapat menyempurnakan, menerapkan, dan mengevaluasi model JumpStart foundation yang tersedia untuk umum dan eksklusif secara langsung melalui Amazon Studio UI. SageMaker

penting

Per 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihatAmazon SageMaker Studio Klasik.

Di Amazon SageMaker Studio, buka halaman JumpStart arahan baik melalui halaman Beranda atau menu Beranda di panel sisi kiri. Ini membuka halaman SageMaker JumpStartarahan tempat Anda dapat menjelajahi hub model dan mencari model.

• Dari halaman Beranda, pilih JumpStartdi panel solusi bawaan dan otomatis.

• Dari menu Beranda di panel kiri, arahkan ke JumpStartnode.

Untuk informasi selengkapnya tentang memulai Amazon SageMaker Studio, lihat SageMaker Studio Amazon.

Dari halaman SageMaker JumpStartarahan di Studio, Anda dapat menjelajahi hub model dari penyedia model yang tersedia untuk umum dan eksklusif. Anda dapat menemukan hub atau model tertentu menggunakan bilah pencarian. Dalam setiap hub model, Anda dapat mencari model secara langsung, mengurutkan berdasarkan Paling suka, Paling Banyak unduhan, atau Baru diperbarui, atau memfilter berdasarkan daftar tugas model yang disediakan. Pilih model untuk melihat kartu detail modelnya. Di sudut kanan atas kartu detail model, pilih Fine-tune, Deploy, atau Evaluate untuk mulai mengerjakan alur kerja fine-tuning, deployment, atau evaluasi. Perhatikan bahwa tidak semua model tersedia untuk fine-tuning atau evaluasi.

Sempurnakan model pondasi di Studio

Fine-tuning melatih model pra-terlatih pada dataset baru tanpa pelatihan dari awal. Proses ini, juga dikenal sebagai pembelajaran transfer, dapat menghasilkan model yang akurat dengan kumpulan data yang lebih kecil dan waktu pelatihan yang lebih sedikit. Untuk menyempurnakan model JumpStart foundation, navigasikan ke kartu detail model di UI Studio. Untuk informasi selengkapnya tentang cara membuka JumpStart di Studio, lihatBuka dan gunakan JumpStart di Studio. Setelah menavigasi ke kartu detail model pilihan Anda, pilih Kereta di sudut kanan atas. Perhatikan bahwa tidak semua model memiliki fine-tuning yang tersedia.

penting

Beberapa model foundation memerlukan penerimaan eksplisit dari perjanjian lisensi pengguna akhir (EULA) sebelum fine-tuning. Untuk informasi selengkapnya, lihat Penerimaan EULA di Amazon Studio SageMaker .

Pengaturan model

Saat menggunakan model JumpStart pondasi yang telah dilatih sebelumnya di Amazon SageMaker Studio, lokasi artefak Model (URI Amazon S3) diisi secara default. Untuk mengedit URI Amazon S3 default, pilih Masukkan lokasi artefak model. Tidak semua model mendukung perubahan lokasi artefak model.

Pengaturan data

Di bidang Data, berikan titik URI Amazon S3 ke lokasi kumpulan data pelatihan Anda. URI Amazon S3 default menunjuk ke contoh kumpulan data pelatihan. Untuk mengedit URI Amazon S3 default, pilih Masukkan kumpulan data pelatihan dan ubah URI. Pastikan untuk meninjau kartu detail model di Amazon SageMaker Studio untuk informasi tentang memformat data pelatihan.

Hyperparameter

Anda dapat menyesuaikan hyperparameters dari pekerjaan pelatihan yang digunakan untuk menyempurnakan model. Hiperparameter yang tersedia untuk setiap model yang dapat disetel berbeda tergantung pada modelnya.

Hyperparameter berikut umum di antara model:

• Epoch — Satu epoch adalah satu siklus melalui seluruh dataset. Beberapa interval menyelesaikan batch, dan beberapa batch akhirnya menyelesaikan sebuah epoch. Beberapa zaman dijalankan hingga keakuratan model mencapai tingkat yang dapat diterima, atau ketika tingkat kesalahan turun di bawah tingkat yang dapat diterima.

• Laju belajar — Jumlah nilai yang harus diubah antar zaman. Saat model disempurnakan, bobot internalnya didorong dan tingkat kesalahan diperiksa untuk melihat apakah model membaik. Tingkat pembelajaran tipikal adalah 0,1 atau 0,01, di mana 0,01 adalah penyesuaian yang jauh lebih kecil dan dapat menyebabkan pelatihan memakan waktu lama untuk bertemu, sedangkan 0,1 jauh lebih besar dan dapat menyebabkan pelatihan melampaui batas. Ini adalah salah satu hiperparameter utama yang mungkin Anda sesuaikan untuk melatih model Anda. Perhatikan bahwa untuk model teks, tingkat pembelajaran yang jauh lebih kecil (5e-5 untuk BERT) dapat menghasilkan model yang lebih akurat.

• Ukuran Batch — Jumlah catatan dari kumpulan data yang akan dipilih untuk setiap interval untuk dikirim ke GPU untuk pelatihan.

Tinjau petunjuk tip alat dan informasi tambahan dalam kartu detail model di UI Studio untuk mempelajari lebih lanjut tentang hiperparameter khusus untuk model pilihan Anda.

Untuk informasi lebih lanjut tentang hiperparameter yang tersedia, lihatHiperparameter fine-tuning yang umumnya didukung.

Deployment

Tentukan jenis instans pelatihan dan lokasi artefak keluaran untuk pekerjaan pelatihan Anda. Anda hanya dapat memilih dari instance yang kompatibel dengan model pilihan Anda dalam menyempurnakan UI Studio. Lokasi artefak keluaran default adalah bucket SageMaker default. Untuk mengubah lokasi artefak keluaran, pilih Masukkan lokasi artefak keluaran dan ubah URI Amazon S3.

Keamanan

Tentukan pengaturan keamanan yang akan digunakan untuk pekerjaan pelatihan Anda, termasuk peran IAM yang SageMaker digunakan untuk melatih model Anda, apakah pekerjaan pelatihan Anda harus terhubung ke virtual private cloud (VPC), dan kunci enkripsi apa pun untuk mengamankan data Anda.

Informasi tambahan

Di bidang Informasi Tambahan, Anda dapat mengedit nama pekerjaan pelatihan. Anda juga dapat menambah dan menghapus tag dalam bentuk pasangan nilai kunci untuk membantu mengatur dan mengkategorikan pekerjaan pelatihan fine-tuning Anda.

Setelah memberikan informasi untuk konfigurasi fine-tuning Anda, pilih Kirim. Jika model yayasan pra-terlatih yang Anda pilih untuk disempurnakan memerlukan persetujuan eksplisit dari perjanjian lisensi pengguna akhir (EULA) sebelum pelatihan, EULA disediakan di jendela pop-up. Untuk menerima ketentuan EULA, pilih Terima. Anda bertanggung jawab untuk meninjau dan mematuhi persyaratan lisensi yang berlaku dan memastikannya dapat diterima untuk kasus penggunaan Anda sebelum mengunduh atau menggunakan model.

Menyebarkan model pondasi di Studio

Untuk menerapkan model JumpStart foundation, navigasikan ke kartu detail model di UI Studio. Untuk informasi selengkapnya tentang cara membuka JumpStart di Studio, lihatBuka dan gunakan JumpStart di Studio. Setelah menavigasi ke halaman detail model pilihan Anda, pilih Deploy di sudut kanan atas UI Studio. Kemudian, ikuti langkah-langkah di Deploy model dengan SageMaker Studio.

penting

Beberapa model dasar memerlukan penerimaan eksplisit dari perjanjian lisensi pengguna akhir (EULA) sebelum penerapan. Untuk informasi selengkapnya, lihat Penerimaan EULA di Amazon Studio SageMaker .

Mengevaluasi model pondasi di Studio

Amazon SageMaker JumpStart memiliki integrasi dengan SageMaker Clarify foundation model evaluations (FME) di Studio. Jika JumpStart model memiliki kemampuan evaluasi bawaan yang tersedia, Anda dapat memilih Evaluasi di sudut kanan atas halaman detail model di UI JumpStart Studio. Untuk informasi lebih lanjut, lihat Mengevaluasi model pondasi.