Amostras de código para personalização de modelos

Primeiro, crie um arquivo de texto chamadoFineTuningData.json. Copie o código JSON abaixo para o arquivo de texto, substituindo-o pelos nomes ${training-bucket} dos seus buckets do S3. ${output-bucket}

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

Para enviar um trabalho de personalização de modelo, navegue até a pasta contida FineTuningData.json em um terminal e execute o seguinte comando na linha de comando, ${your-customization-role-arn} substituindo-o pela função de personalização de modelo que você configurou.

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
                

A resposta retorna o jobArn. Aguarde até que o trabalho seja concluído. É possível verificar seu status com o seguinte comando:

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

Quando o status for COMPLETE, será possível ver as trainingMetrics na resposta. Você pode baixar os artefatos para a pasta atual executando o comando a seguir, aet.et-bucket substituindo-o pelo nome do bucket de saída e jobId pelo ID do trabalho de personalização (a sequência após a última barra no). jobArn

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

Compre throughput provisionado sem compromisso para o modelo personalizado com o comando a seguir.

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

A resposta retorna o provisionedModelArn. Aguarde até que o throughput provisionado seja criado. Para verificar o status, forneça o nome ou o ARN do modelo provisionado como provisioned-model-id no comando a seguir.

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

Quando o status for InService, será possível executar a inferência com o modelo personalizado com o comando a seguir. Forneça o ARN do modelo provisionado como o model-id. A saída é gravada em um arquivo chamado output.txt na sua pasta atual.

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

Execute o trecho de código a seguir para enviar um trabalho de ajuste. ${your-customization-role-arn}Substitua pelo ARN do MyCustomizationRole que você configurou e substituiu e pelos nomes dos seus ${training-bucket} ${output-bucket} buckets do S3.

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')

A resposta retorna o jobArn. Aguarde até que o trabalho seja concluído. É possível verificar seu status com o seguinte comando:

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

Quando o status éCOMPLETE, você pode ver o trainingMetrics na GetModelCustomizationJobresposta. Você também pode seguir as etapas em Baixar objetos para baixar as métricas.

Compre throughput provisionado sem compromisso para o modelo personalizado com o comando a seguir.

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

provisionedModelArn = response_pt.get('provisionedModelArn')

A resposta retorna o provisionedModelArn. Aguarde até que o throughput provisionado seja criado. Para verificar o status, forneça o nome ou o ARN do modelo provisionado como provisionedModelId no comando a seguir.

bedrock.get_provisioned_model_throughput(provisionedModelId=provisionedModelArn)

Quando o status for InService, será possível executar a inferência com o modelo personalizado com o comando a seguir. Forneça o ARN do modelo provisionado como o 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()