本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
微調模型
微調會在新資料集上訓練預先訓練的模型,而不需要從頭開始訓練。這個程序也稱為移轉學習,可以利用較小的資料集和較短的訓練時間來產生精確的模型。如果模型的卡顯示 可微調屬性設定為是,您就可以微調該模型。
重要
截至 2023 年 11 月 30 日,以前的 Amazon SageMaker 工作室體驗現在被命名為 Amazon SageMaker 工作室經典。下面的部分是特定於使用 Studio 傳統版應用程序。如需使用更新後的 Studio 體驗的相關資訊,請參閱Amazon SageMaker 一室。
注意
如需 Studio 中 JumpStart 模型微調的詳細資訊,請參閱 在 Studio 中微調基礎模型
微調資料來源
微調模型時,您可以使用預設資料集或選擇自己位於 Amazon S3 儲存貯體中的資料。
若要瀏覽可用的儲存貯體,請選擇尋找 S3 儲存貯體。這些值區受到用來設定 Studio 傳統版帳戶的權限的限制。您也可以選擇輸入 Amazon S3 儲存貯體位置URI來指定 Amazon S3。
提示
若要瞭解如何格式化儲存貯體中的資料,請選擇瞭解更多。模型的描述部分包含有關輸入和輸出的詳細資訊。
針對文字模型:
-
儲存貯體必須具有 data.csv 檔案。
-
第一欄必須是用於類別標籤的唯一整數。例如:
1
、2
、3
、4
、n
-
第二欄必須為字串。
-
第二欄應具有符合模型類型和語言的對應文字。
針對視覺模型:
-
儲存貯體必須具有與類別數目一樣多的子目錄。
-
各個子目錄應包含屬於該類的 .jpg 格式圖像。
注意
Amazon S3 儲存貯體必須與您執行 SageMaker工作室傳統版的 AWS 區域 位置相同,因為 SageMaker 不允許跨區域請求。
微調部署組態
p3 系列是我們建議速度最快的深度學習訓練系列,建議您使用此系列來微調模型。下圖顯示每個執行處理類型GPUs中的數目。您還可以選擇其他可用選項,包括 p2 和 g4 執行個體類型。
執行個體類型 | GPUs |
---|---|
p3.2xlarge | 1 |
p3.8xlarge | 4 |
p3.16xlarge | 8 |
p3dn.24xlarge | 8 |
超參數
您可以自訂用於微調模型的訓練工作的超參數。每個可微調模型的可用超參數視模型而有所不同。如需有關每個可用超參數的資訊,請參閱使用 Amazon SageMaker 內建演算法或預先訓練的模型中關於所選模型的超參數文件。例如,如需可微調影像分類- TensorFlow 超參影像分類- TensorFlow 超參數數的詳細資訊,請參閱。
如果您在未變更超參數的情況下使用文字模型的預設資料集,則會得到幾乎相同的模型。針對視覺模型,預設資料集與用於訓練預先訓練模型的資料集不同,因此您的模型因此會有所不同。
以下超參數在模型中很常見:
-
時期 - 一個時期是整個資料集的一個循環。一個批次包括多個間隔,多個批次最終組成一個時期。執行多個週期,直到模型的精準度達到可接受的程度,或者當誤差率降至可接受的程度以下為止。
-
學習速率 - 值應該在時期之間改變的量。在改良模型時,會推動其內部權重,並檢查錯誤率以查看模型是否有所改善。典型的學習速率是 0.1 或 0.01,其中 0.01 是較小的調整,可能會導致訓練需要很長時間才能收斂,而 0.1 則大得多,可能導致訓練過衝。它是您可以調整以訓練模型的主要超參數之一。請注意,對於文字模型,較小的學習速率 (5e-5BERT) 可能會產生更精確的模型。
-
Batch 大小 — 資料集中要針對每個要傳送至訓練的間隔選取的GPUs記錄數。
在圖像示例中,您可能會每發送 32 張圖像GPU,因此 32 個將是您的批處理大小。如果您選擇的執行個體類型有多個GPU,則批次會除以的數目GPUs。建議的批次大小會因您使用的資料和模型而有所不同。例如,最佳化圖像資料的方式與處理語言資料的方式就有所不同。
在建置組態段落的執行處理類型圖表中,您可以看到GPUs每個執行處理類型的數目。從標準建議批次大小開始 (例如視覺模型為 32)。然後,將其乘以您選取GPUs的例證類型中的數目。例如,如果您使用的是
p3.8xlarge
,這將是 32(批次大小)乘以 4 (GPUs),總計為 128,因為您的批次大小會根據的數量調整GPUs。對於類似的文本模型BERT,請嘗試從 64 的批次大小開始,然後根據需要縮小。
訓練輸出
微調程序完成後,會 JumpStart 提供有關模型的資訊:父模型、訓練工作名稱、訓練工作ARN、訓練時間和輸出路徑。輸出路徑是新模型在 Amazon S3 儲存貯體中的位置。資料夾結構使用您提供的模型名稱,且模型檔案位於 /output
子資料夾中,而且永遠命名為 model.tar.gz
。
範例:s3://bucket/model-name/output/model.tar.gz
設定模型訓練的預設值
您可以為參數 (例如IAM角色和KMS金鑰) 設定預設值VPCs,以便為 JumpStart 模型部署和訓練預先填入。如需詳細資訊,請參閱 設定 JumpStart 模型的預設值。