As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Selecionar e implantar modelos de classificação de texto
<a name="jumpstart-text-classification-deploy"></a>

Implemente dois modelos de classificação de texto para comparação: DistilBERT Base Cased e BERT Base Uncased. Você verá as diferenças entre esses modelos e os implantará usando a configuração de instância ideal.

## Por que esses dois modelos
<a name="w2aac37c15c21b5"></a>

Esses modelos mostram a escolha entre desempenho e custo que os clientes costumam enfrentar na produção:
+ **BERT Base Uncased**: maior, mais preciso, mas consome mais recursos e é mais lento.
+ **DistilBERT Base Cased**: menor, mais rápido, mais econômico, mas possivelmente menos preciso.

Essa comparação ajuda você a escolher o modelo certo para suas necessidades específicas.

## Informações sobre os nomes de modelo no catálogo
<a name="w2aac37c15c21b7"></a>

Os nomes dos modelos de classificação de texto no catálogo incluem os seguintes componentes:
+ BERT: representações de codificador bidirecional com base em transformadores.
+ L-X\$1H-Y\$1A-Z: estrutura do modelo em que:
  + L-X: número de camadas (X).
  + H-Y: tamanho oculto (Y).
  + A-Z: número de cabeças de atenção (Z).
+ Small/Base/Large: Tamanho e complexidade do modelo.
+ Uncased/Cased: configuração de distinção de maiúsculas e minúsculas.

Exemplo: `Small BERT L-2_H-128_A-2` indica um pequeno modelo BERT com:
+ 2 camadas.
+ 128 unidades ocultas.
+ 2 cabeças de atenção.

## Acesse o catálogo de JumpStart modelos
<a name="w2aac37c15c21b9"></a>

Navegue até os modelos de classificação de texto no JumpStart catálogo.

1. Abra o SageMaker AI Studio

1. No painel de navegação à esquerda, selecione **JumpStart**.

1. Na JumpStart página, escolha **Hugging** Face.

1. Selecione **Classificação de texto**.

Você deve ver uma lista dos modelos de classificação de texto disponíveis no catálogo, inclusive as variantes DistilBERT e BERT.

## Implantar o DistilBERT Base Cased
<a name="w2aac37c15c21c11"></a>

Implante o modelo DistilBERT usando a configuração padrão.

1. Na lista de modelos, encontre e escolha **DistilBERT Base Cased** (da DistilBERT).

1. Na página de detalhes do modelo, mantenha o tipo de instância padrão.

1. Mantenha todas as outras configurações padrão e escolha **Implantar**.

1. Aguarde de 5 a 10 minutos para a conclusão da implantação.

1. Para verificar se a implantação foi bem-sucedida, acesse **Implantações** e **Endpoints**.

1. Confirme se o endpoint DistilBERT mostra o status `InService`.

## Implantar o BERT Base Uncased
<a name="w2aac37c15c21c13"></a>

Implante o modelo BERT para comparação com o DistilBERT.

1. Retorne aos modelos de classificação de texto do Hugging Face em. JumpStart

1. Encontre e escolha **BERT Base Uncased** (do Google BERT).

1. Mantenha o tipo de instância padrão e escolha **Implantar**.

1. Para confirmar as duas implantações, verifique se os dois endpoints mostram o status `InService` na lista de endpoints.

Ambos os modelos aparecem na sua lista de endpoints com status `InService`.

**Importante**  
Copie e salve os nomes dos endpoints. Você precisará deles para o processo de avaliação.

## Solução de problemas
<a name="w2aac37c15c21c15"></a>

Se você encontrar problemas de implantação:
+ Para erros de tipo de instância, verifique se você está usando o tipo de instância padrão, não instâncias de CPU, como `ml.m5.large`.
+ Se você não conseguir encontrar modelos, use o nome exato dos modelos para pesquisar, incluindo o editor entre parênteses.
+ Para implantações com falha, verifique a integridade do serviço na sua região ou tente uma região diferente.

Depois que seu modelo mostrar o status `InService`, continue em [Avaliar e comparar o desempenho do modelo](jumpstart-text-classification-evaluate.md) para avaliar seu modelo implantado.