Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Überwachen Sie Ihren RFT-Trainingsjob
Während der Feinabstimmung der Verstärkung können Sie den Trainingsfortschritt mithilfe von visuellen Grafiken und Metriken in der Amazon Bedrock-Konsole in Echtzeit überwachen. Das Dashboard mit den Trainingsmetriken zeigt wichtige Leistungsindikatoren wie Prämienwerte, Verlustkurven und Genauigkeitsverbesserungen im Laufe der Zeit. Diese Kennzahlen helfen Ihnen zu verstehen, ob das Modell richtig konvergiert und ob die Belohnungsfunktion den Lernprozess effektiv steuert.
Trainingsmetriken in Echtzeit
Amazon Bedrock bietet Echtzeitüberwachung während des RFT-Trainings mit visuellen Grafiken, die Trainings- und Validierungsmetriken anzeigen.
Wichtigste Trainingsmetriken
-
Trainingsverlust — Misst, wie gut das Modell aus den Trainingsdaten lernt
-
Statistik der Trainingsbelohnungen — Zeigt die von deinen Belohnungsfunktionen zugewiesenen Prämienwerte an
-
Prämienspanne — Misst den Unterschied zwischen Prämien mit guten und schlechten Antworten
-
Genauigkeit bei Trainings- und Validierungssätzen — Zeigt die Leistung des Modells sowohl bei den Trainings- als auch bei den ausgegebenen Daten
Visualisierung des Trainingsfortschritts
Die Konsole zeigt interaktive Grafiken an, die im Verlauf Ihres RFT-Jobs in Echtzeit aktualisiert werden. Diese Visualisierungen können Ihnen helfen:
-
Verfolgen Sie die Konvergenz in Richtung optimaler Leistung
-
Identifizieren Sie frühzeitig potenzielle Schulungsprobleme
-
Ermitteln Sie optimale Haltepunkte
-
Vergleichen Sie die Leistung verschiedener Epochen
Nachverfolgung des Jobstatus
Überwachen Sie Ihren RFT-Auftragsstatus über die Amazon Bedrock-Konsole.
Berufsphasen:
-
Validierung
-
Training
Indikatoren für den Abschluss:
-
Der Jobstatus ändert sich zu Abgeschlossen, wenn die Schulung erfolgreich abgeschlossen wurde
-
ARN für ein benutzerdefiniertes Modell wird für die Bereitstellung verfügbar
-
Trainingsmetriken erreichen Konvergenzschwellenwerte
