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
<a name="jumpstart-text-classification-deploy"></a>

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
<a name="w2aac37c15c21b5"></a>

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
<a name="w2aac37c15c21b7"></a>

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
<a name="w2aac37c15c21b9"></a>

Arahkan ke model klasifikasi teks dalam JumpStart katalog.

1. Buka SageMaker AI Studio

1. Di panel navigasi kiri, pilih **JumpStart**.

1. Pada JumpStart halaman, pilih **Hugging** Face.

1. Pilih **Klasifikasi Teks**.

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

## Menyebarkan DistiLbert Base Cased
<a name="w2aac37c15c21c11"></a>

Terapkan model DistiLbert menggunakan konfigurasi default.

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

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

1. Simpan semua pengaturan default lainnya dan pilih **Deploy**.

1. Tunggu 5-10 menit hingga penerapan selesai.

1. **Untuk memverifikasi keberhasilan penerapan, buka Deployment lalu **Endpoints**.**

1. Konfirmasikan titik akhir DistiLbert menunjukkan `InService` status.

## Menyebarkan Basis BERT Tanpa Asas
<a name="w2aac37c15c21c13"></a>

Menyebarkan model BERT untuk perbandingan dengan DistiLbert.

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

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

1. Pertahankan jenis instans default dan pilih **Deploy**.

1. 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
<a name="w2aac37c15c21c15"></a>

Jika Anda mengalami masalah penerapan:
+ Misalnya kesalahan tipe, verifikasi bahwa Anda menggunakan tipe instans default, bukan instance CPU seperti`ml.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](jumpstart-text-classification-evaluate.md) untuk mengevaluasi model yang Anda gunakan.