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.
Anpassen von Amazon Nova-Modellen auf Amazon AI SageMaker
Sie können Amazon Nova-Modelle anhand von Rezepten anpassen und sie mit SageMaker KI trainieren. Diese Rezepte unterstützen Techniken wie Supervised Fine-Tuning (SFT) und Direct Preference Optimization (DPO) mit Optionen für Full-Rank und Low-Rank Adaptation (LoRa).
Der end-to-end Anpassungsablauf umfasst Phasen wie das Training des Modells, die Evaluierung des Modells und die Bereitstellung für Inferenz. Dieser Ansatz zur Modellanpassung auf SageMaker KI bietet mehr Flexibilität und Kontrolle bei der Feinabstimmung der unterstützten Amazon Nova-Modelle, der präzisen Optimierung von Hyperparametern und der Implementierung von Techniken wie LoRa Parameter-Efficient Fine-Tuning (PEFT), Full-Rank SFT, DPO, Continued Pre-Training (CPT), Proximal Policy Optimization (PPO) usw.
SageMaker KI bietet zwei Umgebungen für die Anpassung von Amazon Nova-Modellen.
-
Amazon SageMaker Training Jobs bietet eine vollständig verwaltete Umgebung für die Anpassung von Nova-Modellen, in der Sie keine Cluster erstellen oder verwalten müssen. Der Service kümmert sich automatisch um die gesamte Bereitstellung, Skalierung und Ressourcenverwaltung der Infrastruktur, sodass Sie sich ausschließlich auf die Konfiguration Ihrer Schulungsparameter und die Einreichung Ihres Jobs konzentrieren können. Sie können Nova-Modelle mit Techniken wie Parameter Efficient Fine-Tuning (PEFT), Full Rank Fine Tuning sowie Direct Preference Optimization (DPO) an SageMaker Trainingsjobs anpassen. Weitere Informationen finden Sie unter Personalisierung von Amazon Nova bei SageMaker Schulungsjobs.
-
Amazon SageMaker HyperPod bietet eine spezielle Umgebung zum Trainieren von Nova-Modellen, in der Sie SageMaker HyperPod EKS-Cluster mit eingeschränkten Instance-Gruppen (RIGs) erstellen und verwalten müssen. Diese Umgebung bietet Ihnen Flexibilität bei der Konfiguration Ihrer Trainingsumgebung mit speziellen GPU-Instances und integriertem Amazon FSx for Lustre-Speicher, sodass sie sich besonders für fortgeschrittene verteilte Trainingsszenarien und die laufende Modellentwicklung eignet. Weitere Informationen finden Sie unter Amazon Nova-Anpassung bei Amazon SageMaker HyperPod.
In diesem Kapitel
