本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
自定义模型超参数
以下参考内容包括可用于训练各个 Amazon Bedrock 自定义模型的超参数。
超参数是用于控制训练过程的参数，例如学习率或周期计数。当您使用 Amazon Bedrock 控制台或调用 CreateModelCustomizationJobAPI 操作提交微调任务时，您可以为自定义模型训练设置超参数。
Amazon Nova Lite、Amazon Nova Micro 和 Amazon Nova Pro 模型支持以下三个用于自定义模型的超参数。有关更多信息，请参阅 针对使用案例自定义模型以提高其性能。
有关微调 Amazon Nova 模型的信息，请参阅微调 Amazon Nova 模型。
您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
| 超参数（控制台） | 超参数（API） | 定义 | Type | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 整数 | 1 | 5 | 2 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 浮点数 | 1.00E-6 | 1.00E-4 | 1.00E-5 |
| 学习率预热步数 | learningRateWarmup步骤 | 学习率逐渐提高到指定速率的迭代次数 | 整数 | 0 | 100 | 10 |
默认的 epoch 数为 2，适用于大多数情况。通常，较大的数据集需要较少的 epoch 就能收敛，而较小的数据集则需要较多的 epoch 才能收敛。您也可以通过提高学习率来实现更快的收敛，但这种方法不太令人满意，因为可能会导致收敛时的训练不稳定。建议从默认超参数开始，这些超参数基于我们对各种复杂程度和数据大小的任务的评估。
在预热阶段，学习率将逐渐提高到设定值。因此，在训练样本较小时，建议您避免使用过大的预热值，因为在训练过程中，学习率可能永远无法达到设定值。建议将数据集大小分别除以 640（对于 Amazon Nova Micro）、160（对于 Amazon Nova Lite）和 320（对于 Amazon Nova Pro），以此来设置预热步骤数。
Amazon Nova Canvas 模型支持以下用于自定义模型的超参数。
| 超参数（控制台） | 超参数（API） | 定义 | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 8 | 192 | 8 |
| 步数 | stepCount | 模型在每个批次中出现的次数 | 10 | 20000 | 500 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 1.00E-7 | 1.00E-4 | 1.00E-5 |
Amazon Titan Text 高级版模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
| 超参数（控制台） | 超参数（API） | 定义 | Type | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 整数 | 1 | 5 | 2 |
| 批次大小（微批次） | batchSize | 更新模型参数之前处理的样本数 | 整数 | 1 | 1 | 1 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 浮点数 | 1.00E-07 | 1.00E-05 | 1.00E-06 |
| 学习率预热步数 | learningRateWarmup步骤 | 学习率逐渐提高到指定速率的迭代次数 | 整数 | 0 | 20 | 5 |
Amazon Titan Text 模型（例如简捷版和快捷版）支持以下用于自定义模型的超参数：您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
| 超参数（控制台） | 超参数（API） | 定义 | Type | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 整数 | 1 | 10 | 5 |
| 批次大小（微批次） | batchSize | 更新模型参数之前处理的样本数 | 整数 | 1 | 64 | 1 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 浮点数 | 0.0 | 1 | 1.00E-5 |
| 学习率预热步数 | learningRateWarmup步骤 | 学习率逐渐提高到指定速率的迭代次数 | 整数 | 0 | 250 | 5 |
Amazon Titan 图像生成器 G1 模型支持以下用于自定义模型的超参数。
注意
stepCount 没有默认值，必须为其指定一个值。stepCount 支持值 auto。auto 会优先考虑模型性能而非训练成本，方法是根据数据集的大小自动确定一个数值。训练作业成本取决于 auto 确定的数值。要了解作业成本的计算方式并查看示例，请参阅 Amazon Bedrock 定价
| 超参数（控制台） | 超参数（API） | 定义 | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 8 | 192 | 8 |
| 步数 | stepCount | 模型在每个批次中出现的次数 | 10 | 40000 | 不适用 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 1.00E-7 | 1 | 1.00E-5 |
Amazon Titan Multimodal Embeddings G1 模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
注意
epochCount 没有默认值，必须为其指定一个值。epochCount 支持值 Auto。Auto 会优先考虑模型性能而非训练成本，方法是根据数据集的大小自动确定一个数值。训练作业成本取决于 Auto 确定的数值。要了解作业成本的计算方式并查看示例，请参阅 Amazon Bedrock 定价
| 超参数（控制台） | 超参数（API） | 定义 | Type | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 整数 | 1 | 100 | 不适用 |
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 整数 | 256 | 9,216 | 576 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 浮点数 | 5.00E-8 | 1 | 5.00E-5 |
Anthropic Claude 3 模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
| 控制台名称 | API 名称 | 定义 | 默认 | 最小值 | 最大值 |
|---|---|---|---|---|---|
| 周期计数 | epochCount | 整个训练数据集的最大迭代次数 | 2 | 1 | 10 |
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 32 | 4 | 256 |
| 学习率乘数 | learningRateMultiplier | 该乘数会影响模型参数在每个批次之后更新的学习率 | 1 | 0.1 | 2 |
| 提前停止阈值 | earlyStoppingThreshold | 防止训练过程过早终止所需的最低验证损失改善 | 0.001 | 0 | 0.1 |
| 提前停止容忍度 | earlyStoppingPatience | 停止训练过程之前对验证损失指标停滞的容忍程度 | 2 | 1 | 10 |
Cohere Command 和 Cohere Command Light 模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
有关微调Cohere模型的信息，请参阅https://docs.cohere.com/docs/微调
注意
epochCount 配额可调整。
| 超参数（控制台） | 超参数（API） | 定义 | Type | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 整数 | 1 | 100 | 1 |
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 整数 | 8 | 8（Command） 32（Light） |
8 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率。如果使用的是验证数据集，我们建议您不要为 learningRate 提供值。 |
浮点数 | 5.00E-6 | 0.1 | 1.00E-5 |
| 提前停止阈值 | earlyStoppingThreshold | 防止训练过程过早终止所需的最低损失改善 | 浮点数 | 0 | 0.1 | 0.01 |
| 提前停止容忍度 | earlyStoppingPatience | 停止训练过程之前对损失指标停滞的容忍程度 | 整数 | 1 | 10 | 6 |
| 评估百分比 | evalPercentage |
在未提供单独验证数据集的情况下，为模型评测分配的数据集百分比 |
浮点数 | 5 | 50 | 20 |
Meta Llama 3.1 8B 和 70B 模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
有关微调 Meta Llama 模型的信息，请参阅 https://ai.meta.com/llama/get-started/ #fine-t
注意
epochCount 配额可调整。
| 超参数（控制台） | 超参数（API） | 定义 | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 1 | 10 | 5 |
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 1 | 1 | 1 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 5.00E-6 | 0.1 | 1.00E-4 |
Meta Llama 3.2 1B、3B、11B 和 90B 模型支持以下用于自定义模型的超参数。您指定的 epoch 数会处理更多词元，因而会增加模型的自定义成本。每个 epoch 对整个训练数据集进行一次处理。有关定价的信息，请参阅 Amazon Bedrock 定价
有关微调 Meta Llama 模型的信息，请参阅 https://ai.meta.com/llama/get-started/ #fine-t
| 超参数（控制台） | 超参数（API） | 定义 | 最小值 | 最大值 | 默认 |
|---|---|---|---|---|---|
| Epoch | epochCount | 整个训练数据集的迭代次数 | 1 | 10 | 5 |
| 批次大小 | batchSize | 更新模型参数之前处理的样本数 | 1 | 1 | 1 |
| 学习率 | learningRate | 每个批次之后模型参数的更新速率 | 5.00E-6 | 0.1 | 1.00E-4 |
