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。

# 選取並部署文字分類模型
<a name="jumpstart-text-classification-deploy"></a>

部署兩個文字分類模型進行比較：DistilBERT Base Cased 和 BERT Base Uncased。您將看到這些模型之間的差異，並使用最佳執行個體組態部署它們。

## 為什麼選擇這兩個模型
<a name="w2aac37c15c21b5"></a>

這些模型顯示客戶在生產時於效能與成本之間面臨的典型選擇：
+ **BERT Base Uncased**：更大、更準確，但速度較慢且資源更密集。
+ **DistilBERT Base Cased**：更小、更快、更具成本效益，但可能不太準確。

此比較可協助您選擇適合您特定需求的模型。

## 了解目錄中的模型名稱
<a name="w2aac37c15c21b7"></a>

目錄中的文字分類模型名稱包含下列元件：
+ BERT：來自轉換器的雙向編碼器表示法。
+ L-X\_H-Y\_A-Z：模型結構，其中：
  + L-X：層數 (X)。
  + H-Y：隱藏大小 (Y)。
  + A-Z：注意力頭數量 (Z)。
+ Small/Base/Large：模型大小和複雜性。
+ Uncased/Cased - 區分大小寫設定。

範例：`Small BERT L-2_H-128_A-2` 指出小型 BERT 模型，其中具有：
+ 2 層。
+ 128 個隱藏單位。
+ 2 個注意力頭。

## 存取 JumpStart 模型目錄
<a name="w2aac37c15c21b9"></a>

導覽至 JumpStart 目錄中的文字分類模型。

1. 開啟 SageMaker AI Studio

1. 在左側導覽窗格中，選擇 **JumpStart**。

1. 在 JumpStart 頁面上，選擇 **Hugging Face**。

1. 選擇**文字分類**。

您應該會在目錄中看到可用的文字分類模型清單，包括 DistilBERT 和 BERT 變體。

## 部署 DistilBERT Base Cased
<a name="w2aac37c15c21c11"></a>

使用預設組態部署 DistilBERT 模型。

1. 在模型清單中，尋找並選擇 **DistilBERT Base Cased** (依 Distilbert)。

1. 在模型詳細資訊頁面上，保留預設執行個體類型。

1. 保留其他所有預設設定，然後選擇**部署**。

1. 等待 5-10 分鐘讓部署完成。

1. 若要驗證部署是否成功，請前往**部署**，然後前往**端點**。

1. 確認 DistilBERT 端點顯示 `InService` 狀態。

## 部署 BERT Base Uncased
<a name="w2aac37c15c21c13"></a>

部署 BERT 模型以與 DistilBERT 進行比較。

1. 返回 JumpStart 中的 Hugging Face 文字分類模型。

1. 尋找並選擇 **BERT Base Uncased** (依 google-bert)。

1. 保留預設執行個體類型，然後選擇**部署**。

1. 若要確認這兩個部署，請檢查這兩個端點是否在端點清單中顯示 `InService`。狀態。

這兩個模型都會出現在您的端點清單中，狀態為 `InService`。

**重要**  
複製並儲存端點名稱。您將需要它們才能進行評估程序。

## 疑難排解
<a name="w2aac37c15c21c15"></a>

如果您遇到部署問題：
+ 對於執行個體類型錯誤，請驗證您使用的是預設執行個體類型，而不是 `ml.m5.large` 之類的 CPU 執行個體。
+ 如果您找不到模型，請使用確切的模型名稱進行搜尋，包括括號中的發布者。
+ 對於失敗的部署，請檢查您區域中的服務運作狀態，或嘗試不同的區域。

在您的模型顯示 `InService` 狀態之後，請繼續[評估和比較模型效能](jumpstart-text-classification-evaluate.md)以評估您部署的模型。