Sampel kode untuk kustomisasi model

Pertama, buat file teks bernamaFineTuningData.json. Salin kode JSON dari bawah ke dalam file teks, ganti ${training-bucket} dan ${output-bucket} dengan nama bucket S3 Anda.

{
    "trainingDataConfig": {
        "s3Uri": "s3://${training-bucket}/train.jsonl"
    },
    "outputDataConfig": {
        "s3Uri": "s3://${output-bucket}"
    }
}

Untuk mengirimkan pekerjaan penyesuaian model, navigasikan ke folder yang berisi FineTuningData.json terminal dan jalankan perintah berikut di baris perintah, ganti ${your-customization-role-arn} dengan peran penyesuaian model yang Anda siapkan.

aws bedrock create-model-customization-job \
    --customization-type FINE_TUNING \
    --base-model-identifier arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-text-express-v1 \
    --role-arn ${your-customization-role-arn} \
    --job-name MyFineTuningJob \
    --custom-model-name MyCustomModel \
    --hyper-parameters epochCount=1,batchSize=1,learningRate=.0001,learningRateWarmupSteps=0 \
    --cli-input-json file://FineTuningData.json
                

Respons mengembalikan ajobArn. Biarkan pekerjaan beberapa waktu untuk diselesaikan. Anda dapat memeriksa statusnya dengan perintah berikut.

aws bedrock get-model-customization-job \
    --job-identifier "jobArn"

Ketika status adaCOMPLETE, Anda dapat melihat trainingMetrics dalam respon. Anda dapat mengunduh artefak ke folder saat ini dengan menjalankan perintah berikut, menggantinya aet.et-bucket dengan nama bucket keluaran Anda dan jobId dengan ID pekerjaan penyesuaian (urutan mengikuti garis miring terakhir dijobArn).

aws s3 cp s3://${output-bucket}/model-customization-job-jobId . --recursive

Beli Throughput Penyediaan tanpa komitmen untuk model kustom Anda dengan perintah berikut.

aws bedrock create-provisioned-model-throughput \
    --model-id MyCustomModel \
    --provisioned-model-name MyProvisionedCustomModel \
    --model-units 1

Respons mengembalikan aprovisionedModelArn. Memungkinkan Provisioned Throughput beberapa waktu untuk dibuat. Untuk memeriksa statusnya, berikan nama atau ARN dari model yang disediakan seperti provisioned-model-id pada perintah berikut.

aws bedrock get-provisioned-model-throughput \
    --provisioned-model-id ${provisioned-model-arn}

Saat status adaInService, Anda dapat menjalankan inferensi dengan model kustom Anda dengan perintah berikut. Anda harus memberikan ARN dari model yang disediakan sebagai. model-id Output ditulis ke file bernama output.txt di folder Anda saat ini.

aws bedrock-runtime invoke-model \
    --model-id ${provisioned-model-arn} \
    --body '{"inputText": "What is AWS?", "textGenerationConfig": {"temperature": 0.5}}' \
    --cli-binary-format raw-in-base64-out \
    output.txt

Jalankan cuplikan kode berikut untuk mengirimkan pekerjaan fine-tuning. Ganti ${your-customization-role-arn} dengan ARN MyCustomizationRole yang Anda atur dan ganti ${training-bucket} dan ${output-bucket} dengan nama bucket S3 Anda.

import boto3

bedrock = boto3.client(service_name='bedrock')
    
# Set parameters
customizationType = "FINE_TUNING"
baseModelIdentifier = "arn:aws:bedrock:us-east-1::foundation-model/amazon.titan-text-express-v1"
roleArn = "${your-customization-role-arn}"
jobName = "MyFineTuningJob"
customModelName = "MyCustomModel"
hyperParameters = {
        "epochCount": "1",
        "batchSize": "1",
        "learningRate": ".0001",
        "learningRateWarmupSteps": "0"
    }
trainingDataConfig = {"s3Uri": "s3://${training-bucket}/myInputData/train.jsonl"}
outputDataConfig = {"s3Uri": "s3://${output-bucket}/myOutputData"}

# Create job
response_ft = bedrock.create_model_customization_job(
    jobName=jobName, 
    customModelName=customModelName,
    roleArn=roleArn,
    baseModelIdentifier=baseModelIdentifier,
    hyperParameters=hyperParameters,
    trainingDataConfig=trainingDataConfig,
    outputDataConfig=outputDataConfig
)

jobArn = response_ft.get('jobArn')

Respons mengembalikan ajobArn. Biarkan pekerjaan beberapa waktu untuk diselesaikan. Anda dapat memeriksa statusnya dengan perintah berikut.

bedrock.get_model_customization_job(jobIdentifier=jobArn).get('status')

Ketika status adaCOMPLETE, Anda dapat melihat trainingMetrics dalam GetModelCustomizationJobrespon. Anda juga dapat mengikuti langkah-langkah di Mengunduh objek untuk mengunduh metrik.

Beli Throughput Penyediaan tanpa komitmen untuk model kustom Anda dengan perintah berikut.

response_pt = bedrock.create_provisioned_model_throughput(
    modelId="MyCustomModel",
    provisionedModelName="MyProvisionedCustomModel",
    modelUnits="1"
)

provisionedModelArn = response_pt.get('provisionedModelArn')

Respons mengembalikan aprovisionedModelArn. Memungkinkan Provisioned Throughput beberapa waktu untuk dibuat. Untuk memeriksa statusnya, berikan nama atau ARN dari model yang disediakan seperti provisionedModelId pada perintah berikut.

bedrock.get_provisioned_model_throughput(provisionedModelId=provisionedModelArn)

Saat status adaInService, Anda dapat menjalankan inferensi dengan model kustom Anda dengan perintah berikut. Anda harus memberikan ARN dari model yang disediakan sebagai. modelId

import json
import logging
import boto3

from botocore.exceptions import ClientError


class ImageError(Exception):
    "Custom exception for errors returned by the model"

    def __init__(self, message):
        self.message = message


logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)


def generate_text(model_id, body):
    """
    Generate text using your provisioned custom model.
    Args:
        model_id (str): The model ID to use.
        body (str) : The request body to use.
    Returns:
        response (json): The response from the model.
    """

    logger.info(
        "Generating text with your provisioned custom model %s", model_id)

    brt = boto3.client(service_name='bedrock-runtime')

    accept = "application/json"
    content_type = "application/json"

    response = brt.invoke_model(
        body=body, modelId=model_id, accept=accept, contentType=content_type
    )
    response_body = json.loads(response.get("body").read())

    finish_reason = response_body.get("error")

    if finish_reason is not None:
        raise ImageError(f"Text generation error. Error is {finish_reason}")

    logger.info(
        "Successfully generated text with provisioned custom model %s", model_id)

    return response_body


def main():
    """
    Entrypoint for example.
    """
    try:
        logging.basicConfig(level=logging.INFO,
                            format="%(levelname)s: %(message)s")

        model_id = provisionedModelArn

        body = json.dumps({
            "inputText": "what is AWS?"
        })

        response_body = generate_text(model_id, body)
        print(f"Input token count: {response_body['inputTextTokenCount']}")

        for result in response_body['results']:
            print(f"Token count: {result['tokenCount']}")
            print(f"Output text: {result['outputText']}")
            print(f"Completion reason: {result['completionReason']}")

    except ClientError as err:
        message = err.response["Error"]["Message"]
        logger.error("A client error occurred: %s", message)
        print("A client error occured: " +
              format(message))
    except ImageError as err:
        logger.error(err.message)
        print(err.message)

    else:
        print(
            f"Finished generating text with your provisioned custom model {model_id}.")


if __name__ == "__main__":
    main()