Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Directrices para la personalización de modelos

Los parámetros ideales para personalizar un modelo dependen del conjunto de datos y de la tarea para la que está diseñado el modelo. Debe experimentar con los valores para determinar qué parámetros funcionan mejor en su caso específico. Podría ayudarle evaluar su modelo ejecutando un trabajo de evaluación del modelo. Para obtener más información, consulte Evalúe el rendimiento de los recursos de Amazon Bedrock.

En este tema se proporcionan directrices y valores recomendados como referencia para la personalización de Amazon Titan Modelo Text Premier. Para otros modelos, consulte la documentación del proveedor.

Utilice las métricas de entrenamiento y validación de los archivos de salida que se generan al enviar un trabajo de microajuste para ayudarle a ajustar los parámetros. Busque estos archivos en el bucket de Amazon S3 en el que escribió el resultado o utilice la GetCustomModeloperación.

Amazon Nova Modelos de  

Puede personalizar el Amazon Nova modelos con datos patentados etiquetados mediante la creación de un trabajo de ajuste fino Amazon Bedrock para obtener más rendimiento del que ofrecen los modelos. out-of-the-box Es decir, el ajuste preciso proporciona mejoras que van más allá de las que se obtienen con la invocación de cero o pocos espectáculos y otras técnicas de ingeniería rápidas. Para obtener más información, consulte Ajuste preciso Amazon Nova modelos.

Amazon Titan Texto Premier

Las siguientes pautas son para Titan text-to-textModelo Text Premier. Para obtener información acerca de los hiperparámetros que puede establecer, consulte Hiperparámetros de personalización del modelo Amazon Titan Text.

Impacto en otros tipos de tareas

En general, cuanto más grande sea el conjunto de datos de entrenamiento, mejor será el rendimiento de una tarea específica. Sin embargo, el entrenamiento para una tarea específica puede hacer que el modelo tenga un peor rendimiento en diferentes tareas, especialmente si se utilizan muchos ejemplos. Por ejemplo, si el conjunto de datos de entrenamiento de una tarea de resumen contiene 100 000 muestras, el modelo podría funcionar peor en una tarea de clasificación.

Tamaño del modelo

En general, cuanto más grande sea el modelo, mejor se realizará la tarea con datos de entrenamiento limitados.

Si utiliza el modelo para una tarea de clasificación, es posible que obtenga ganancias relativamente pequeñas si realiza microajustes de pocos pasos (menos de 100 muestras), especialmente si el número de clases es relativamente pequeño (menos de 100).

Épocas

Recomendamos utilizar las siguientes métricas para determinar el número de épocas que se van a establecer:

Tamaño de lote

Al cambiar el tamaño del lote, le recomendamos que cambie la tasa de aprendizaje mediante la siguiente fórmula:

newLearningRate = oldLearningRate x newBatchSize / oldBatchSize

El modelo Titan Text Premier actualmente solo admite un tamaño de lote mini de una unidad para que los clientes lo afinen.

Tasa de aprendizaje

Para obtener los mejores resultados de las capacidades de afinación, recomendamos utilizar una tasa de aprendizaje en el rango de 1,00E-07 a 1,00E-05. Un buen punto de partida es el valor predeterminado recomendado 1,00E-06. Una mayor tasa de aprendizaje puede ayudar a que la formación converja más rápido; sin embargo, puede afectar negativamente a las capacidades del modelo básico.

Valide los datos de entrenamiento con una pequeña submuestra: para validar la calidad de los datos de entrenamiento, le recomendamos que experimente con un conjunto de datos más pequeño (aproximadamente 100 muestras) y que supervise las métricas de validación antes de enviar el trabajo de entrenamiento con un conjunto de datos de entrenamiento más grande.

Pasos de calentamiento de aprendizaje

Le recomendamos el valor predeterminado 5.