Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Optimieren Sie ein Modell in Studio
Durch die Feinabstimmung wird ein vorab trainiertes Modell anhand eines neuen Datensatzes trainiert, ohne dass ein Training von Grund auf erforderlich ist. Dieser Prozess, der auch als Transferlernen bezeichnet wird, kann genaue Modelle mit kleineren Datensätzen und weniger Trainingszeit erzeugen. Um grundlegende Modelle zu JumpStart optimieren, navigieren Sie in der Studio-Benutzeroberfläche zu einer Modelldetailkarte. Weitere Informationen zum Öffnen JumpStart in Studio finden Sie unterIn Studio öffnen und verwenden JumpStart . Nachdem Sie zur Modelldetailkarte Ihrer Wahl navigiert haben, wählen Sie in der oberen rechten Ecke die Option Zug aus. Beachten Sie, dass nicht für alle Modelle eine Feinabstimmung verfügbar ist.
Wichtig
Bei einigen Basismodellen ist vor der Feinabstimmung die ausdrückliche Annahme einer Endbenutzer-Lizenzvereinbarung (EULA) erforderlich. Weitere Informationen finden Sie unter EULAAkzeptanz in Amazon SageMaker Studio.
Modelleinstellungen
Wenn Sie ein vortrainiertes JumpStart Foundation-Modell in Amazon SageMaker Studio verwenden, wird der Speicherort des Modellartefakts (Amazon S3URI) standardmäßig aufgefüllt. Um den Amazon S3 S3-Standard zu bearbeitenURI, wählen Sie Enter model artifact location (Speicherort des Modellartefakts eingeben). Nicht alle Modelle unterstützen das Ändern des Speicherorts für Modellartefakte.
Dateneinstellungen
Geben Sie im Feld Daten einen Amazon URI S3-Punkt für den Speicherort Ihres Trainingsdatensatzes ein. Das standardmäßige Amazon S3 URI verweist auf einen Beispiel-Trainingsdatensatz. Um den Amazon S3 S3-Standard zu bearbeitenURI, wählen Sie Trainingsdatensatz eingeben und ändern Sie denURI. Informationen zur Formatierung von Trainingsdaten finden Sie auf der Modelldetailkarte in Amazon SageMaker Studio.
Hyperparameter
Sie können die Hyperparameter des Trainingsauftrags anpassen, die zur Feinabstimmung des Modells verwendet werden. Die Hyperparameter, die für jedes optimierbare Modell verfügbar sind, unterscheiden sich je nach Modell.
Die folgenden Hyperparameter sind in Modellen üblich:
-
Epochen – Eine Epoche ist ein Zyklus durch den gesamten Datensatz. Mehrere Intervalle formen einen Batch und mehrere Batches formen eine Epoche. Es werden mehrere Epochen durchgeführt, bis die Genauigkeit des Modells ein akzeptables Niveau erreicht hat oder wenn die Fehlerquote unter ein akzeptables Niveau fällt.
-
Lernrate – Der Umfang, um den Werte zwischen den Epochen geändert werden sollten. Während der Optimierung des Modells werden seine internen Gewichtungen angepasst und die Fehlerquoten überprüft, um festzustellen, ob sich das Modell verbessert. Eine typische Lernrate liegt bei 0,1 oder 0,01, wobei 0,01 eine viel geringere Anpassung darstellt und dazu führen kann, dass das Training lange dauert, bis das Training konvergiert, wohingegen 0,1 viel größer ist und zu einem Überschwingen des Trainings führen kann. Dies ist einer der wichtigsten Hyperparameter, die Sie für das Training Ihres Modells anpassen können. Beachten Sie, dass bei Textmodellen eine viel geringere Lernrate (5e-5 fürBERT) zu einem genaueren Modell führen kann.
-
Batchgröße — Die Anzahl der Datensätze aus dem Datensatz, die für jedes Intervall ausgewählt werden sollen, das GPUs zum Training an den gesendet werden soll.
Lesen Sie die QuickInfo-Eingabeaufforderungen und zusätzlichen Informationen auf der Modelldetailkarte in der Studio-Benutzeroberfläche, um mehr über Hyperparameter zu erfahren, die für das Modell Ihrer Wahl spezifisch sind.
Weitere Informationen zu verfügbaren Hyperparametern finden Sie unter. Häufig unterstützte Feinabstimmung von Hyperparametern
Bereitstellung
Geben Sie den Typ der Trainingsinstanz und den Speicherort des Ausgabeartefakts für Ihren Trainingsjob an. Im Rahmen der Feinabstimmung der Studio-Benutzeroberfläche können Sie nur aus Instanzen wählen, die mit dem Modell Ihrer Wahl kompatibel sind. Der Standardspeicherort für Ausgabeartefakte ist der SageMaker Standard-Bucket. Um den Speicherort des Ausgabeartefakts zu ändern, wählen Sie den Speicherort des Ausgabeartefakts eingeben und ändern Sie den Amazon S3. URI
Sicherheit
Geben Sie die Sicherheitseinstellungen an, die Sie für Ihren Schulungsjob verwenden möchten, einschließlich der IAM Rolle, SageMaker mit der Ihr Modell trainiert wird, ob Ihr Schulungsjob eine Verbindung zu einer virtuellen privaten Cloud herstellen soll (VPC) und alle Verschlüsselungsschlüssel zum Schutz Ihrer Daten.
Zusätzliche Informationen
Im Feld Zusätzliche Informationen können Sie den Namen des Ausbildungsjobs bearbeiten. Sie können auch Tags in Form von Schlüssel-Wert-Paaren hinzufügen und entfernen, um Ihre Feinabstimmungs-Trainingsjobs besser zu organisieren und zu kategorisieren.
Nachdem Sie Informationen für Ihre Feinabstimmungskonfiguration eingegeben haben, wählen Sie Senden aus. Wenn das vorab trainierte Foundation-Modell, das Sie für die Feinabstimmung ausgewählt haben, vor der Schulung die ausdrückliche Zustimmung zu einer Endbenutzer-Lizenzvereinbarung (EULA) erfordert, EULA wird diese in einem Popup-Fenster angezeigt. Um die Bedingungen von zu akzeptierenEULA, wählen Sie Akzeptieren. Sie sind dafür verantwortlich, alle geltenden Lizenzbedingungen zu überprüfen und einzuhalten sowie sicherzustellen, dass sie für Ihren Anwendungsfall akzeptabel sind, bevor Sie ein Model herunterladen oder verwenden.
