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.
# Selección e implementación de modelos de clasificación de textos
Implemente dos modelos de clasificación de textos para compararlos: DistilBERT Base Cased y BERT Base Uncased. Verá las diferencias entre estos modelos y los implementará con la configuración de instancias adecuada.
## Por qué estos dos modelos
Estos modelos son la elección típica a la que se enfrentan los clientes en producción al valorar el rendimiento y el costo:
+ **BERT Base Uncased**: es más grande y más preciso, pero es más lento y consume más recursos.
+ **DistilBERT Base Cased**: es más pequeño, rápido y rentable, pero potencialmente menos preciso.
Esta comparación le ayuda a elegir el modelo adecuado para sus necesidades específicas.
## Comprensión de los nombres de los modelos en el catálogo
Los nombres de los modelos de clasificación de texto del catálogo tienen los siguientes componentes:
+ BERT: Bidirectional Encoder Representations from Transformers (representaciones codificadoras bidireccionales de transformadores)
+ L-X\$1H-Y\$1A-Z es la estructura del modelo, donde:
+ L-X: número de capas (X)
+ H-Y: tamaño oculto (Y)
+ A-Z: número de cabezas de atención (Z)
+ Small/Base/Large: Tamaño y complejidad del modelo.
+ Uncased/Cased: configuración de la distinción entre mayúsculas y minúsculas
Ejemplo: `Small BERT L-2_H-128_A-2` es un modelo BERT pequeño (small) con:
+ 2 capas
+ 128 unidades ocultas
+ 2 cabezas de atención
## Acceda al catálogo JumpStart de modelos
Navegue hasta los modelos de clasificación de texto del JumpStart catálogo.
1. Abre SageMaker AI Studio
1. En el panel de navegación izquierdo, elija **JumpStart**.
1. En la JumpStart página, selecciona **Hugging Face**.
1. Haga clic en **Clasificación de texto**.
Debería ver una lista de los modelos de clasificación de texto disponibles en el catálogo, incluidas las variantes DistilBERT y BERT.
## Implementación de DistilBERT Base Cased
Implemente el modelo DistilBERT con la configuración predeterminada.
1. En la lista de modelos, busque y seleccione **DistilBERT Base Cased** (de distilbert).
1. En la página de detalles del modelo, deje el tipo de instancia predeterminado.
1. Mantenga todas las demás configuraciones predeterminadas y elija **Implementar**.
1. Espere entre 5 y 10 minutos a que se complete la implementación.
1. Para comprobar que la implementación se ha realizado correctamente, vaya a **Implementaciones** y, luego, **Puntos de conexión**.
1. Confirme que el punto de conexión de DistilBERT tenga el estado `InService`.
## Implementación de BERT Base Uncased
Implemente el modelo BERT para compararlo con el modelo DistilBERT.
1. Regrese a los modelos JumpStart de clasificación de texto de Hugging Face en.
1. Busque y escoja **BERT Base Uncased** (de google-bert).
1. Deje el tipo de instancia predeterminado y seleccione **Implementar**.
1. Para confirmar ambas implementaciones, compruebe que ambos puntos de conexión muestren el estado `InService` en la lista de puntos de conexión.
Ambos modelos aparecen en la lista de puntos de conexión con el estado `InService`.
**importante**
Copie y guarde los nombres de los puntos de conexión. Los necesitará para el proceso de evaluación.
## Resolución de problemas
Si tiene problemas de implementación, haga lo siguiente:
+ En el caso de errores de tipo de instancia, compruebe que está utilizando el tipo de instancia predeterminado y no instancias de CPU como `ml.m5.large`.
+ Si no encuentra modelos, busque con los nombres exactos de los modelos e incluya el nombre del publicador entre paréntesis.
+ Si las implementaciones fallan, consulte el estado del servicio en su región o pruebe con otra región.
Cuando el modelo muestre el estado `InService`, continúe con el paso [Evaluación y comparación del rendimiento del modelo](jumpstart-text-classification-evaluate.md) para evaluar el modelo implementado.