翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# 公開されている基盤モデルを `JumpStartEstimator` クラスでファインチューニングする
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class"></a>

**注記**  
厳選されたプライベートハブで基盤モデルをファインチューニングする手順については、「[厳選されたハブモデルをファインチューニングする](jumpstart-curated-hubs-fine-tune.md)」を参照してください。

SageMaker Python SDK を使用して、組み込みアルゴリズムや事前トレーニング済みのモデルをわずか数行のコードでファインチューニングできます。

1. まず、「[Built-in Algorithms with pre-trained Model Table](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html)」で、選択したモデルのモデル ID を調べます。

1. そのモデル ID を使用して、トレーニングジョブを JumpStart 推定器として定義します。

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

1. モデルで `estimator.fit()` を実行し、ファインチューニングに使用するトレーニングデータを指定します。

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

1. 次に、`deploy` メソッドを使用して、推論用にモデルを自動的にデプロイします。この例では、Hugging Face の GPT-J 6B モデルを使用します。

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

1. その後、`predict` メソッドを使用して、デプロイしたモデルで推論を実行できます。

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

**注記**  
この例では、基盤モデル GPT-J 6B を使用しています。このモデルは、質疑応答、固有表現抽出、要約など、幅広いテキスト生成のユースケースに適しています。モデルのユースケースの詳細については、「[利用可能な基盤モデル](jumpstart-foundation-models-latest.md)」を参照してください。

`JumpStartEstimator` の作成時に、モデルのバージョンやインスタンスのタイプをオプションで指定できます。`JumpStartEstimator `クラスとそのパラメータの詳細については、「[JumpStartEstimator](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.estimator.JumpStartEstimator)」を参照してください。

## デフォルトのインスタンスタイプを確認する
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-instance-types"></a>

事前トレーニング済みのモデルを `JumpStartEstimator` クラスを使用してファインチューニングするときに、モデルのバージョンやインスタンスのタイプをオプションで指定することができます。すべての JumpStart モデルにはデフォルトのインスタンスタイプがあります。次のコードを使用して、デフォルトのトレーニングインスタンスタイプを取得してください。

```
from sagemaker import instance_types

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

`instance_types.retrieve()` メソッドを使用して、特定の JumpStart モデルでサポートされているすべてのインスタンスタイプを確認できます。

## デフォルトのハイパーパラメータを確認する
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-hyperparameters"></a>

トレーニングに使用されるデフォルトのハイパーパラメータを確認するには、`hyperparameters` クラスから `retrieve_default()` メソッドを使用できます。

```
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)
```

利用可能なハイパーパラメータの詳細については、「[一般的にサポートされているファインチューニングのハイパーパラメータ](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters)」を参照してください。

## デフォルトのメトリクス定義を確認する
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-metric-definitions"></a>

デフォルトのメトリクス定義を確認することもできます。

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