提交模型定制任务 - Amazon Bedrock

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

提交模型定制任务

您可以在 Amazon Bedrock 控制台中使用微调或继续预训练来创建自定义模型，或者。API自定义工作可能需要几个小时。作业的持续时间取决于训练数据的大小（记录数、输入令牌数和输出令牌数）、周期数和批次大小。选择与您选择的方法相对应的选项卡，然后按照步骤操作。

Console

要在控制台中提交模型定制任务，请执行以下步骤。

  1. AWS Management Console 使用具有 Amazon Bedrock 权限的IAM角色登录，然后通过以下网址打开 Amazon Bedrock 控制台。https://console.aws.amazon.com/bedrock/

  2. 在左侧导航窗格中，选择基础模型下的自定义模型。

  3. 在 “模型” 选项卡中，选择 “自定义模型”，然后选择 “创建微调作业” 或 “创建持续预训练作业”，具体取决于要训练的模型类型。

  4. 在模型详细信息部分，执行以下操作。

    1. 选择要使用自己的数据自定义的模型，然后为生成的模型命名。

    2. （可选）默认情况下，Amazon Bedrock 会使用由其拥有和管理的密钥对您的模型进行加密。 AWS要使用自定义KMS密钥，请选择模型加密并选择密钥。

    3. （可选）要将标签与自定义模型相关联，请展开标签部分并选择添加新标签。

  5. 在作业配置部分，输入作业的名称，并可选择添加任何标签以与该作业关联。

  6. （可选）要使用虚拟私有云 (VPC) 来保护您的训练数据和自定义任务，请在VPC设置部分选择VPC包含输入数据和输出数据 Amazon S3 位置、其子网和安全组的虚拟私有云。

    注意

    如果您包含VPC配置，则控制台无法为该作业创建新的服务角色。创建自定义服务角色并添加与中所述示例类似的权限将 VPC 权限附加到模型自定义角色。

  7. 在输入数据部分，选择训练数据集文件的 S3 位置，以及验证数据集文件（如果适用）。

  8. 在超参数部分中，输入要在训练中使用的超参数的值。

  9. 在输出数据部分，输入 Amazon Bedrock 应保存任务输出的 Amazon S3 位置。Amazon Bedrock 会将每个周期的训练损失指标和验证损失指标存储在指定位置的单独文件中。

  10. 在服务访问权限部分，选择以下选项之一：

    • 使用现有服务角色 — 从下拉列表中选择一个服务角色。有关设置具有相应权限的自定义角色的更多信息，请参阅为模型自定义创建服务角色。

    • 创建和使用新的服务角色 — 输入服务角色的名称。

  11. 选择 F ine-tune 模型或创建持续的预训练作业开始作业。

API

请求

使用 Amazon Bedrock 控制平面终端节点发送请求 CreateModelCustomizationJob（有关请求和响应格式以及字段详情，请参阅链接），以提交模型自定义任务。您必须至少提供以下字段。

  • roleArn— 具有自定义模型权限的服务角色。ARN如果您使用控制台，Amazon Bedrock 可以自动创建具有相应权限的角色，也可以按照中的步骤创建自定义角色。为模型自定义创建服务角色

    注意

    如果包含字vpcConfig段，请确保该角色具有适当的访问权限VPC。有关示例，请参阅将 VPC 权限附加到模型自定义角色。

  • baseModelIdentifier— 要自定义的基础模型ARN的模型 ID 或基础模型。

  • customModelName – 要为新自定义的模型使用的名称。

  • jobName – 要为训练作业使用的名称。

  • hyperParameters— 影响模型定制过程的超参数。

  • trainingDataConfig— 一个包含训练数据集的 Amazon S3 URI 的对象。根据自定义方法和型号，您还可以包括validationDataConfig。有关准备数据集的更多信息，请参阅准备数据集。

  • outputDataConfig— 一个包含URI要向其写入输出数据的 Amazon S3 的对象。

如果您未指定customizationType，则模型自定义方法默认为FINE_TUNING。

为防止请求多次完成，请添加一个clientRequestToken。

您可以包括以下可选字段以进行额外配置。

响应

响应会返回一个jobArn，你可以用它来监视或停止作业。

参见代码示例