本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
微調模型
微調會在新資料集上訓練預先訓練的模型，而不需要從頭開始訓練。這個程序也稱為移轉學習，可以利用較小的資料集和較短的訓練時間來產生精確的模型。如果模型的卡顯示 可微調屬性設定為是，您就可以微調該模型。
重要
截至 2023 年 11 月 30 日，先前的 Amazon SageMaker Studio 體驗現在已命名為 Amazon SageMaker Studio Classic。以下章節是使用 Studio Classic 應用程式的特定部分。如需有關使用更新 Studio 體驗的資訊，請參閱 Amazon SageMaker Studio。
注意
如需 Studio 中 JumpStart 模型微調的詳細資訊，請參閱 在 Studio 中微調模型
微調資料來源
微調模型時，您可以使用預設資料集或選擇自己位於 Amazon S3 儲存貯體中的資料。
若要瀏覽可用的儲存貯體，請選擇尋找 S3 儲存貯體。這些儲存貯體受到用於設定 Studio Classic 帳戶的許可限制。您也可以選擇輸入 Amazon S3 儲存貯體位置 URI來指定 Amazon S3。 Amazon S3
提示
若要瞭解如何格式化儲存貯體中的資料，請選擇瞭解更多。模型的描述部分包含有關輸入和輸出的詳細資訊。
針對文字模型：
-
儲存貯體必須具有 data.csv 檔案。
-
第一欄必須是用於類別標籤的唯一整數。例如：
1、2、3、4、n -
第二欄必須為字串。
-
第二欄應具有符合模型類型和語言的對應文字。
針對視覺模型：
-
儲存貯體必須具有與類別數目一樣多的子目錄。
-
各個子目錄應包含屬於該類的 .jpg 格式圖像。
注意
Amazon S3 儲存貯體必須與您執行 SageMaker Studio Classic AWS 區域 所在的儲存貯體相同，因為 SageMaker 不允許跨區域請求。
微調部署組態
p3 系列是我們建議速度最快的深度學習訓練系列，建議您使用此系列來微調模型。下圖顯示GPUs每個執行個體類型的 數目。您還可以選擇其他可用選項，包括 p2 和 g4 執行個體類型。
| 執行個體類型 | GPUs |
|---|---|
| p3.2xlarge | 1 |
| p3.8xlarge | 4 |
| p3.16xlarge | 8 |
| p3dn.24xlarge | 8 |
超參數
您可以自訂用於微調模型的訓練工作的超參數。每個可微調模型的可用超參數視模型而有所不同。如需有關每個可用超參數的資訊，請參閱Amazon 中的內建演算法和預先訓練的模型 SageMaker中關於所選模型的超參數文件。例如，影像分類 - TensorFlow 超參數如需微調影像分類 TensorFlow 超參數的詳細資訊，請參閱 。
如果您在未變更超參數的情況下使用文字模型的預設資料集，則會得到幾乎相同的模型。針對視覺模型，預設資料集與用於訓練預先訓練模型的資料集不同，因此您的模型因此會有所不同。
以下超參數在模型中很常見：
-
時期 - 一個時期是整個資料集的一個循環。一個批次包括多個間隔，多個批次最終組成一個時期。執行多個週期，直到模型的精準度達到可接受的程度，或者當誤差率降至可接受的程度以下為止。
-
學習速率 - 值應該在時期之間改變的量。在改良模型時，會推動其內部權重，並檢查錯誤率以查看模型是否有所改善。典型的學習速率是 0.1 或 0.01，其中 0.01 是較小的調整，可能會導致訓練需要很長時間才能收斂，而 0.1 則大得多，可能導致訓練過衝。它是您可以調整以訓練模型的主要超參數之一。請注意，對於文字模型，較小的學習率 （5e-5 表示 BERT） 可能會導致更準確的模型。
-
批次大小 – 從資料集中選取每個間隔要傳送至 GPUs 以進行訓練的記錄數目。
在映像範例中，您可以傳送每個 32 張映像GPU，因此 32 張會是您的批次大小。如果您選擇具有多個 的執行個體類型GPU，則批次會除以 的數量GPUs。建議的批次大小會因您使用的資料和模型而有所不同。例如，最佳化圖像資料的方式與處理語言資料的方式就有所不同。
在部署組態區段的執行個體類型圖表中，您可以看到GPUs每個執行個體類型的 數目。從標準建議批次大小開始 (例如視覺模型為 32)。然後，將此乘以所選GPUs執行個體類型的 數目。例如，如果您使用的是
p3.8xlarge，這將是 32 （批次大小） 乘以 4 （GPUs），總共 128，因為批次大小會調整為 的數量GPUs。對於類似 的文字模型BERT，請嘗試從批次大小 64 開始，然後視需要減少。
訓練輸出
微調程序完成後， JumpStart 會提供模型的相關資訊：父模型、訓練任務名稱、訓練任務 ARN、訓練時間和輸出路徑。輸出路徑是新模型在 Amazon S3 儲存貯體中的位置。資料夾結構使用您提供的模型名稱，且模型檔案位於 /output子資料夾中，而且永遠命名為 model.tar.gz。
範例：s3://bucket/model-name/output/model.tar.gz
設定模型訓練的預設值
您可以設定IAM角色、 VPCs和 KMS金鑰等參數的預設值，以預先填入 JumpStart 模型部署和訓練。如需詳細資訊，請參閱 設定 JumpStart 模型的預設值。
