Esempi di codice per Provisioned Throughput

I seguenti esempi di codice mostrano come creare, utilizzare e gestire un Provisioned Throughput con AWS CLI e Python. SDK

AWS CLI

Crea un Provisioned Throughput senza impegno chiamato in MyPT base a un modello personalizzato denominato personalizzato dal MyCustomModel Anthropic Claude modello v2.1 eseguendo il seguente comando in un terminale.

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

La risposta restituisce unprovisioned-model-arn. Attendi del tempo per il completamento della creazione. Per verificarne lo stato, fornite il nome o ARN il modello fornito come indicato provisioned-model-id nel comando seguente.

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

Modificate il nome del Provisioned Throughput e associatelo a un modello diverso personalizzato da 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

Esegui l'inferenza con il tuo modello di provisioning aggiornato con il seguente comando. È necessario fornire il ARN modello fornito, restituito nella UpdateProvisionedModelThroughput risposta, come. model-id L'output viene scritto in un file denominato output.txt nella cartella corrente.

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

Eliminare il Provisioned Throughput utilizzando il seguente comando. Il Provisioned Throughput non ti verrà più addebitato.

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

Python (Boto)

Crea un Provisioned Throughput senza impegno chiamato MyPT in base a un modello personalizzato denominato MyCustomModel personalizzato dal Anthropic Claude modello v2.1 eseguendo il seguente frammento di codice.

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' 
)

La risposta restituisce un. provisionedModelArn Attendi del tempo per il completamento della creazione. Puoi verificarne lo stato con il seguente frammento di codice. È possibile fornire il nome del Provisioned Throughput o quello ARN restituito dalla CreateProvisionedModelThroughputrisposta come. provisionedModelId

bedrock.get_provisioned_model_throughput(provisionedModelId='MyPT')

Modificate il nome del Provisioned Throughput e associatelo a un modello diverso personalizzato da Anthropic Claude v2.1. Quindi invia una GetProvisionedModelThroughputrichiesta e salva il ARN modello fornito in una variabile da utilizzare per l'inferenza.

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')

Esegui l'inferenza con il modello fornito aggiornato con il seguente comando. È necessario fornire ARN il modello fornito come. 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()

Eliminare il Provisioned Throughput con il seguente frammento di codice. Il Provisioned Throughput non ti verrà più addebitato.

bedrock.delete_provisioned_model_throughput(provisionedModelId='MyPT2')