本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用 `JumpStartEstimator` 類別微調公開可用的基礎模型
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class"></a>

**注意**  
如需在私有彙整中樞內微調基礎模型的指示，請參閱[微調彙整中樞模型](jumpstart-curated-hubs-fine-tune.md)。

使用 SageMaker Python SDK，您可以僅使用數行程式碼微調內建演算法或預先訓練的模型。

1. 首先，在[具備預先訓練模型表的內建演算法](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html)中找到您所選模型的模型 ID。

1. 使用模型 ID，將訓練任務定義為 JumpStart 估算器。

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

1. 在模型 `estimator.fit()` 上執行，指向要用於微調的訓練資料。

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

1. 然後，使用 `deploy` 方法自動部署模型以進行推論。在此範例中，我們使用來自 Hugging Face 的 GPT-J 6B 模型。

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

1. 然後，您可以使用 `predict` 方法對部署的模型執行推論。

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

**注意**  
此範例使用基礎模型 GPT-J 6B，其適用於各種文字產生使用案例，包括問題回答、具名實體辨識、摘要等。如需模型使用案例的更多相關資訊，請參閱[可用的基礎模型](jumpstart-foundation-models-latest.md)。

您可以在建立 `JumpStartEstimator` 時選擇性地指定模型版本或執行個體類型。如需 `JumpStartEstimator ` 類別及其參數的詳細資訊，請參閱 [JumpStartEstimator](https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.jumpstart.estimator.JumpStartEstimator)。

## 檢查預設執行個體類型
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-instance-types"></a>

使用 `JumpStartEstimator` 類別微調預先訓練的模型時，您可以選擇包含特定的模型版本或執行個體類型。所有 JumpStart 模型都有預設執行個體類型。使用下列程式碼檢索預設訓練執行個體類型：

```
from sagemaker import instance_types

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

您可以使用 `instance_types.retrieve()` 方法查看所指定 JumpStart 模型的所有支援執行個體類型。

## 檢查預設超參數
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-hyperparameters"></a>

若要檢查用於訓練的預設超參數，您可以使用 `hyperparameters` 類別中的 `retrieve_default()` 方法。

```
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)
```

如需超參數的詳細資訊，請參閱[通常支援的微調超參數](jumpstart-foundation-models-fine-tuning.md#jumpstart-foundation-models-fine-tuning-hyperparameters)。

## 檢查預設指標定義
<a name="jumpstart-foundation-models-use-python-sdk-estimator-class-metric-definitions"></a>

您也可以檢查預設指標定義：

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