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.

Erstellen von Assets für die Modellanpassung in der Benutzeroberfläche

Sie können die Datensatz- und Evaluatorressourcen erstellen und verwalten, die Sie für die Modellanpassung in der Benutzeroberfläche verwenden können.

Objekte

Wählen Sie im linken Bereich und in der Amazon SageMaker Studio-Benutzeroberfläche Assets aus und wählen Sie dann Datensätze aus.

Wählen Sie Datensatz hochladen, um den Datensatz hinzuzufügen, den Sie für Ihre Modellanpassungsaufträge verwenden werden. Wenn Sie das erforderliche Dateneingabeformat auswählen, können Sie auf eine Referenz des zu verwendenden Datensatzformats zugreifen.

Auswertungsprogramme

Sie können auch Belohnungsfunktionen und Belohnungsaufforderungen für Ihre Anpassungsaufträge im Bereich Reinforcement Learning hinzufügen.

Die Benutzeroberfläche enthält auch Hinweise zum Format, das für die Belohnungsfunktion oder die Belohnungsaufforderung erforderlich ist.

Ressourcen für die Modellanpassung mit AWS SDK

Sie können auch das SageMaker AI Python SDK verwenden, um Assets zu erstellen. Unten finden Sie einen Beispielcodeausschnitt:

from sagemaker.ai_registry.air_constants import REWARD_FUNCTION, REWARD_PROMPT
from sagemaker.ai_registry.dataset import DataSet, CustomizationTechnique
from sagemaker.ai_registry.evaluator import Evaluator

# Creating a dataset example
dataset = DataSet.create(
            name="sdkv3-gen-ds2",
            source="s3://sample-test-bucket/datasets/training-data/jamjee-sft-ds1.jsonl", # or use local filepath as source.
            customization_technique=CustomizationTechnique.SFT
        )

# Refreshes status from hub
dataset.refresh()
pprint(dataset.__dict__)

# Creating an evaluator. Method : Lambda
evaluator = Evaluator.create(
                name = "sdk-new-rf11",
                source="arn:aws:lambda:us-west-2:<>:function:<function-name>8",
                type=REWARD_FUNCTION
        )

# Creating an evaluator. Method : Bring your own code
evaluator = Evaluator.create(
                name = "eval-lambda-test",
                source="/path_to_local/eval_lambda_1.py",
                type = REWARD_FUNCTION
        )

# Optional wait, by default we have wait = True during create call.
evaluator.wait()

evaluator.refresh()
pprint(evaluator)