Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Sempurnakan model foundation yang tersedia untuk umum dengan kelasnya `JumpStartEstimator`
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class"></a>

**catatan**  
Untuk petunjuk tentang model foundation fine-tuning di hub yang dikuratori pribadi, lihat. [Menyesuaikan model hub yang dikuratori](jumpstart-curated-hubs-fine-tune.md)

Anda dapat menyempurnakan algoritma bawaan atau model yang telah dilatih sebelumnya hanya dalam beberapa baris kode menggunakan SDK. SageMaker Python

1. Pertama, temukan ID model untuk model pilihan Anda di [Algoritma Bawaan dengan Tabel Model yang telah dilatih sebelumnya](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html). 

1. Dengan menggunakan ID model, tentukan pekerjaan pelatihan Anda sebagai JumpStart penaksir.

   ```
   from sagemaker.jumpstart.estimator import JumpStartEstimator
   
   model_id = {{"huggingface-textgeneration1-gpt-j-6b"}}
   estimator = JumpStartEstimator(model_id=model_id)
   ```

1. Jalankan `estimator.fit()` pada model Anda, arahkan ke data pelatihan yang akan digunakan untuk fine-tuning.

   ```
   estimator.fit(
       {"train": {{training_dataset_s3_path}}, "validation": {{validation_dataset_s3_path}}}
   )
   ```

1. Kemudian, gunakan `deploy` metode ini untuk secara otomatis menerapkan model Anda untuk inferensi. Dalam contoh ini, kami menggunakan model GPT-J 6B dari. Hugging Face

   ```
   predictor = estimator.deploy()
   ```

1. Anda kemudian dapat menjalankan inferensi dengan model yang diterapkan menggunakan metode ini`predict`.

   ```
   question = {{"What is Southern California often abbreviated as?"}}
   response = predictor.predict(question)
   print(response)
   ```

**catatan**  
Contoh ini menggunakan model dasar GPT-J 6B, yang cocok untuk berbagai kasus penggunaan pembuatan teks termasuk menjawab pertanyaan, pengenalan entitas bernama, ringkasan, dan banyak lagi. Untuk informasi selengkapnya tentang kasus penggunaan model, lihat[Model pondasi yang tersedia](jumpstart-foundation-models-latest.md).

Anda dapat secara opsional menentukan versi model atau jenis instans saat membuat`JumpStartEstimator`. Untuk informasi lebih lanjut tentang `JumpStartEstimator ` kelas dan parameternya, lihat [JumpStartEstimator](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.estimator.JumpStartEstimator).

## Periksa jenis contoh default
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-instance-types"></a>

Anda dapat secara opsional menyertakan versi model atau jenis instance tertentu saat menyempurnakan model yang telah dilatih sebelumnya menggunakan kelas. `JumpStartEstimator` Semua JumpStart model memiliki tipe instance default. Ambil jenis instans pelatihan default menggunakan kode berikut:

```
from sagemaker import instance_types

instance_type = instance_types.retrieve_default(
    model_id=model_id,
    model_version=model_version,
    scope={{"training"}})
print(instance_type)
```

Anda dapat melihat semua jenis instance yang didukung untuk JumpStart model tertentu dengan `instance_types.retrieve()` metode ini.

## Periksa hiperparameter default
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-hyperparameters"></a>

Untuk memeriksa hyperparameters default yang digunakan untuk pelatihan, Anda dapat menggunakan `retrieve_default()` metode dari `hyperparameters` kelas.

```
from sagemaker import hyperparameters

my_hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version)
print(my_hyperparameters)

# Optionally override default hyperparameters for fine-tuning
my_hyperparameters["epoch"] = "3"
my_hyperparameters["per_device_train_batch_size"] = "4"

# Optionally validate hyperparameters for the model
hyperparameters.validate(model_id=model_id, model_version=model_version, hyperparameters=my_hyperparameters)
```

Untuk informasi lebih lanjut tentang hiperparameter yang tersedia, lihat[Hiperparameter fine-tuning yang umumnya didukung](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters).

## Periksa definisi metrik default
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-metric-definitions"></a>

Anda juga dapat memeriksa definisi metrik default:

```
print(metric_definitions.retrieve_default(model_id=model_id, model_version=model_version))
```