As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Ajustar modelos de base disponíveis ao público com a função `JumpStartEstimator`
**nota**
Para ver instruções sobre como ajustar os modelos de base em um hub privado selecionado, consulte [Ajustar modelos de hub selecionado](jumpstart-curated-hubs-fine-tune.md).
Você pode ajustar um algoritmo integrado ou um modelo pré-treinado em apenas algumas linhas de código usando o SDK. SageMaker Python
1. Primeiro, encontre o ID do modelo de sua escolha na [tabela de algoritmos integrados com modelos pré-treinados](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html).
1. Usando o ID do modelo, defina seu trabalho de treinamento como um JumpStart estimador.
```
from sagemaker.jumpstart.estimator import JumpStartEstimator
model_id = {{"huggingface-textgeneration1-gpt-j-6b"}}
estimator = JumpStartEstimator(model_id=model_id)
```
1. Execute `estimator.fit()` em seu modelo, indicando os dados de treinamento a serem usados no ajuste.
```
estimator.fit(
{"train": {{training_dataset_s3_path}}, "validation": {{validation_dataset_s3_path}}}
)
```
1. Em seguida, use o método `deploy` para implantar automaticamente seu modelo para inferência. Neste exemplo, usamos o modelo GPT-J 6B do Hugging Face.
```
predictor = estimator.deploy()
```
1. Depois, você pode executar a inferência com o modelo implantado usando o método `predict`.
```
question = {{"What is Southern California often abbreviated as?"}}
response = predictor.predict(question)
print(response)
```
**nota**
Este exemplo usa o modelo de base GPT-J 6B, que é adequado para diversos casos de uso de geração de texto, incluindo respostas a perguntas, reconhecimento de entidades nomeadas, resumos e muito mais. Para obter mais informações sobre os casos de uso do modelo, consulte [Modelos de base disponíveis](jumpstart-foundation-models-latest.md).
Você também pode especificar versões do modelo ou tipos de instância ao criar seu `JumpStartEstimator`. Para obter mais informações sobre a `JumpStartEstimator ` classe e seus parâmetros, consulte [JumpStartEstimator](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.estimator.JumpStartEstimator).
## Verificar os tipos de instância padrão
Você pode incluir versões específicas do modelo ou tipos de instância ao ajustar um modelo pré-treinado usando a função `JumpStartEstimator`. Todos os JumpStart modelos têm um tipo de instância padrão. Recupere o tipo de instância de treinamento padrão usando o seguinte código:
```
from sagemaker import instance_types
instance_type = instance_types.retrieve_default(
model_id=model_id,
model_version=model_version,
scope={{"training"}})
print(instance_type)
```
Você pode ver todos os tipos de instância compatíveis com um determinado JumpStart modelo com o `instance_types.retrieve()` método.
## Verificar hiperparâmetros padrão
Para verificar os hiperparâmetros padrão usados para treinamento, você pode usar o método `retrieve_default()` da função `hyperparameters`.
```
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)
```
Para obter mais informações sobre hiperparâmetros disponíveis, consulte [Hiperparâmetros de ajuste normalmente aceitos](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters).
## Verificar as definições de métricas padrão
Você também pode verificar as definições de métricas padrão:
```
print(metric_definitions.retrieve_default(model_id=model_id, model_version=model_version))
```