Ejemplos de código para la personalización de modelos

En primer lugar, cree un archivo de texto llamado FineTuningData.json. Copie el JSON código de abajo en el archivo de texto, sustituyendo ${training-bucket} y ${output-bucket} con los nombres de sus buckets de S3.

{
    "trainingDataConfig": {
        "s3Uri": "s3://${training-bucket}/train.jsonl"
    },
    "outputDataConfig": {
        "s3Uri": "s3://${output-bucket}"
    }
}

Para enviar un trabajo de personalización de modelos, navegue hasta la carpeta que contiene FineTuningData.json en una terminal y ejecute el siguiente comando en la línea de comandos, sustituyendo ${your-customization-role-arn} con la función de personalización de modelos que haya configurado.

aws bedrock create-model-customization-job \
    --customization-type FINE_TUNING \
    --base-model-identifier arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-text-express-v1 \
    --role-arn ${your-customization-role-arn} \
    --job-name MyFineTuningJob \
    --custom-model-name MyCustomModel \
    --hyper-parameters epochCount=1,batchSize=1,learningRate=.0005,learningRateWarmupSteps=0 \
    --cli-input-json file://FineTuningData.json
                

La respuesta devuelve un jobArn. Deje que el trabajo se complete algún tiempo. Puede comprobar su estado con el siguiente comando.

aws bedrock get-model-customization-job \
    --job-identifier "jobArn"

Cuando el status esCOMPLETE, puedes verlo trainingMetrics en la respuesta. Puede descargar los artefactos a la carpeta actual ejecutando el siguiente comando, sustituyendo aet.et-bucket con el nombre del depósito de salida y jobId con el ID del trabajo de personalización (la secuencia que sigue a la última barra deljobArn).

aws s3 cp s3://${output-bucket}/model-customization-job-jobId . --recursive

Adquiera un rendimiento aprovisionado sin compromiso para su modelo personalizado con el siguiente comando.

aws bedrock create-provisioned-model-throughput \
    --model-id MyCustomModel \
    --provisioned-model-name MyProvisionedCustomModel \
    --model-units 1

La respuesta devuelve unprovisionedModelArn. Deje que se cree el rendimiento aprovisionado durante algún tiempo. Para comprobar su estado, introduzca el nombre o ARN el modelo aprovisionado tal y como se indica provisioned-model-id en el siguiente comando.

aws bedrock get-provisioned-model-throughput \
    --provisioned-model-id ${provisioned-model-arn}

Si status es asíInService, puede ejecutar una inferencia con su modelo personalizado con el siguiente comando. Debe proporcionar el ARN modelo aprovisionado como. model-id El resultado se escribe en un archivo llamado output.txt en la carpeta actual.

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

Ejecute el siguiente fragmento de código para realizar un trabajo de ajuste. Reemplazar ${your-customization-role-arn} con el ARN MyCustomizationRole que tú configuras y sustituyes ${training-bucket} y ${output-bucket} con los nombres de sus buckets de S3.

import boto3

bedrock = boto3.client(service_name='bedrock')
    
# Set parameters
customizationType = "FINE_TUNING"
baseModelIdentifier = "arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-text-express-v1"
roleArn = "${your-customization-role-arn}"
jobName = "MyFineTuningJob"
customModelName = "MyCustomModel"
hyperParameters = {
        "epochCount": "1",
        "batchSize": "1",
        "learningRate": ".0005",
        "learningRateWarmupSteps": "0"
    }
trainingDataConfig = {"s3Uri": "s3://${training-bucket}/myInputData/train.jsonl"}
outputDataConfig = {"s3Uri": "s3://${output-bucket}/myOutputData"}

# Create job
response_ft = bedrock.create_model_customization_job(
    jobName=jobName, 
    customModelName=customModelName,
    roleArn=roleArn,
    baseModelIdentifier=baseModelIdentifier,
    hyperParameters=hyperParameters,
    trainingDataConfig=trainingDataConfig,
    outputDataConfig=outputDataConfig
)

jobArn = response_ft.get('jobArn')

La respuesta devuelve un jobArn. Deje que el trabajo se complete algún tiempo. Puede comprobar su estado con el siguiente comando.

bedrock.get_model_customization_job(jobIdentifier=jobArn).get('status')

Cuando el status esCOMPLETE, puedes verlo trainingMetrics en la GetModelCustomizationJobrespuesta. También puedes seguir los pasos que se indican en Descargar objetos para descargar las métricas.

Adquiera un rendimiento aprovisionado sin compromiso para su modelo personalizado con el siguiente comando.

response_pt = bedrock.create_provisioned_model_throughput(
    modelId="MyCustomModel",
    provisionedModelName="MyProvisionedCustomModel",
    modelUnits="1"
)

provisionedModelArn = response_pt.get('provisionedModelArn')

La respuesta devuelve un. provisionedModelArn Deje que se cree el rendimiento aprovisionado durante algún tiempo. Para comprobar su estado, introduzca el nombre o ARN el modelo aprovisionado tal y como se indica provisionedModelId en el siguiente comando.

bedrock.get_provisioned_model_throughput(provisionedModelId=provisionedModelArn)

Si status es asíInService, puede ejecutar una inferencia con su modelo personalizado con el siguiente comando. Debe proporcionar el ARN modelo aprovisionado como. 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 = provisionedModelArn

        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()