Pilih dan terapkan model klasifikasi teks - Amazon SageMaker AI
Mengapa kedua model iniMemahami nama model dalam katalogAkses katalog JumpStart modelMenyebarkan DistiLbert Base CasedMenyebarkan Basis BERT Tanpa AsasPemecahan masalah

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

Pilih dan terapkan model klasifikasi teks

Terapkan dua model klasifikasi teks untuk perbandingan: DistiLbert Base Cased dan BERT Base Uncased. Anda akan melihat perbedaan antara model-model ini dan menerapkannya menggunakan konfigurasi instans yang optimal.

Mengapa kedua model ini

Model-model ini menunjukkan pilihan khas yang dihadapi pelanggan dalam produksi antara kinerja dan biaya:

  • Bert Base Unased: Lebih besar, lebih akurat, tetapi lebih lambat dan lebih intensif sumber daya.

  • DistiLbert Base Cased: Lebih kecil, lebih cepat, lebih hemat biaya, tetapi berpotensi kurang akurat.

Perbandingan ini membantu Anda memilih model yang tepat untuk kebutuhan spesifik Anda.

Memahami nama model dalam katalog

Nama model klasifikasi teks dalam katalog mencakup komponen-komponen ini:

  • BERT: Representasi Encoder Dua Arah dari Transformers.

  • L-X_H-Y_A-Z: Struktur model di mana:

    • L-X: Jumlah lapisan (X).

    • H-Y: Ukuran tersembunyi (Y).

    • A-Z: Jumlah kepala perhatian (Z).

  • Small/Base/Large: Ukuran dan kompleksitas model.

  • Uncased/Cased - Pengaturan sensitivitas kasus.

Contoh: Small BERT L-2_H-128_A-2 menunjukkan model BERT kecil dengan:

  • 2 lapisan.

  • 128 unit tersembunyi.

  • 2 kepala perhatian.

Akses katalog JumpStart model

Arahkan ke model klasifikasi teks dalam JumpStart katalog.

  1. Buka SageMaker AI Studio

  2. Di panel navigasi kiri, pilih JumpStart.

  3. Pada JumpStart halaman, pilih Hugging Face.

  4. Pilih Klasifikasi Teks.

Anda akan melihat daftar model klasifikasi teks yang tersedia dalam katalog, termasuk varian DistiLbert dan BERT.

Menyebarkan DistiLbert Base Cased

Terapkan model DistiLbert menggunakan konfigurasi default.

  1. Dalam daftar model, temukan dan pilih DistiLbert Base Cased (oleh distilbert).

  2. Pada halaman detail model, pertahankan jenis instance default.

  3. Simpan semua pengaturan default lainnya dan pilih Deploy.

  4. Tunggu 5-10 menit hingga penerapan selesai.

  5. Untuk memverifikasi keberhasilan penerapan, buka Deployment lalu Endpoints.

  6. Konfirmasikan titik akhir DistiLbert menunjukkan InService status.

Menyebarkan Basis BERT Tanpa Asas

Menyebarkan model BERT untuk perbandingan dengan DistiLbert.

  1. Kembali ke model JumpStart klasifikasi teks Hugging Face di.

  2. Temukan dan pilih BERT Base Unased (oleh google-bert).

  3. Pertahankan jenis instans default dan pilih Deploy.

  4. Untuk mengonfirmasi kedua penerapan, periksa apakah kedua titik akhir menampilkan InService status dalam daftar titik akhir.

Kedua model muncul di daftar titik akhir Anda dengan InService status.

penting

Salin dan simpan nama titik akhir. Anda akan membutuhkannya untuk proses evaluasi.

Pemecahan masalah

Jika Anda mengalami masalah penerapan:

  • Misalnya kesalahan tipe, verifikasi bahwa Anda menggunakan tipe instans default, bukan instance CPU sepertiml.m5.large.

  • Jika Anda tidak dapat menemukan model, cari menggunakan nama model yang tepat, termasuk penerbit dalam tanda kurung.

  • Untuk penerapan yang gagal, periksa kesehatan layanan di Wilayah Anda atau coba Wilayah lain.

Setelah model Anda menunjukkan InService status, lanjutkan Mengevaluasi dan membandingkan kinerja model untuk mengevaluasi model yang Anda gunakan.