Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Fine-tune model hub yang dikuratori
Di hub model kurasi pribadi Anda, Anda dapat menjalankan pekerjaan pelatihan fine-tuning menggunakan referensi model Anda. Referensi model menunjuk ke JumpStart model yang tersedia untuk umum di hub publik SageMaker AI, tetapi Anda dapat menyempurnakan model pada data Anda sendiri untuk kasus penggunaan spesifik Anda. Setelah pekerjaan fine-tuning, Anda memiliki akses ke bobot model yang kemudian dapat Anda gunakan atau terapkan ke titik akhir.
Anda dapat menyempurnakan model hub yang dikurasi hanya dalam beberapa baris kode menggunakan Python SageMaker SDK. Untuk informasi lebih umum tentang fine-tuning model yang tersedia JumpStart untuk umum, lihat. [Model pondasi dan hiperparameter untuk fine-tuning](jumpstart-foundation-models-fine-tuning.md)
## Prasyarat
Untuk menyempurnakan referensi JumpStart model di hub kurasi Anda, lakukan hal berikut:
1. Pastikan bahwa peran IAM pengguna Anda memiliki `TrainHubModel` izin SageMaker AI yang dilampirkan. Untuk informasi selengkapnya, lihat [Menambahkan dan menghapus izin identitas IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) di Panduan Pengguna *AWS IAM*.
Anda harus melampirkan kebijakan seperti contoh berikut ke peran IAM pengguna Anda:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "sagemaker:TrainHubModel",
"Resource": "arn:aws:sagemaker:*:{{111122223333}}:hub/*"
}
]
}
```
------
**catatan**
Jika hub kurasi Anda dibagikan di seluruh akun dan konten hub dimiliki oleh akun lain, pastikan bahwa `HubContent` (sumber referensi model) Anda memiliki kebijakan IAM berbasis sumber daya yang juga memberikan `TrainHubModel` izin ke akun yang meminta, seperti yang ditunjukkan pada contoh berikut.
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowCrossAccountSageMakerAccess",
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::{{111122223333}}:root"
},
"Action": [
"sagemaker:TrainHubModel"
],
"Resource": [
"{{arn:aws:sagemaker:*:111122223333:hub/*}}"
]
}
]
}
```
1. Miliki hub kurasi pribadi dengan referensi model ke JumpStart model yang ingin Anda sesuaikan. Untuk informasi selengkapnya tentang membuat hub pribadi, lihat[Buat hub model pribadi](jumpstart-curated-hubs-admin-guide-create.md). Untuk mempelajari cara menambahkan JumpStart model yang tersedia untuk umum ke hub pribadi Anda, lihat[Tambahkan model ke hub pribadi](jumpstart-curated-hubs-admin-guide-add-models.md).
**catatan**
JumpStart Model yang Anda pilih harus dapat disetel dengan baik. Anda dapat memverifikasi apakah model dapat disetel dengan baik dengan memeriksa [ Built-in Algoritma](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) dengan Tabel Model. Pre-trained
1. Miliki kumpulan data pelatihan yang ingin Anda gunakan untuk menyempurnakan model. Dataset harus dalam format pelatihan yang sesuai untuk model yang ingin Anda sesuaikan.
## Fine-tune referensi model hub yang dikuratori
Prosedur berikut menunjukkan cara menyempurnakan referensi model di hub kurasi pribadi Anda menggunakan Python SageMaker SDK.
1. Pastikan bahwa Anda memiliki versi terbaru (setidaknya`2.242.0`) dari SageMaker Python SDK diinstal. Untuk informasi selengkapnya, lihat [Menggunakan SDK SageMaker Python Versi 2.x](https://sagemaker.readthedocs.io/en/stable/v2.html).
```
!pip install --upgrade sagemaker
```
1. Impor AWS SDK untuk Python (Boto3) dan modul yang Anda perlukan dari SageMaker Python SDK.
```
import boto3
from sagemaker.jumpstart.estimator import JumpStartEstimator
from sagemaker.session import Session
```
1. Inisialisasi sesi Boto3, klien SageMaker AI, dan sesi Python SageMaker SDK.
```
sagemaker_client = boto3.Session(region_name={{}}).client("sagemaker")
sm_session = Session(sagemaker_client=sagemaker_client)
```
1. Buat `JumpStartEstimator` dan berikan ID JumpStart model, nama hub Anda yang berisi referensi model, dan sesi SageMaker Python SDK Anda. Untuk daftar ID model, lihat [Tabel Built-in Algoritma dengan Pre-trained Model](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html).
Secara opsional, Anda dapat menentukan `instance_type` dan `instance_count` bidang saat membuat estimator. Jika tidak, tugas pelatihan menggunakan jenis instans default dan menghitung untuk model yang Anda gunakan.
Anda juga dapat secara opsional menentukan lokasi Amazon S3 tempat Anda ingin menyimpan bobot model yang disetel dengan baik. `output_path` Jika Anda tidak menentukan`output_path`, gunakan bucket SageMaker AI Amazon S3 default untuk wilayah di akun Anda, dinamai dengan format berikut:. `sagemaker-{{}}-{{}}`
```
estimator = JumpStartEstimator(
model_id="meta-textgeneration-llama-3-2-1b",
hub_name={{}},
sagemaker_session=sm_session, # If you don't specify an existing session, a default one is created for you
# Optional: specify your desired instance type and count for the training job
# instance_type = "ml.g5.2xlarge"
# instance_count = 1
# Optional: specify a custom S3 location to store the fine-tuned model artifacts
# output_path: "s3://{{}}"
)
```
1. Buat kamus dengan `training` kunci tempat Anda menentukan lokasi set data fine-tuning Anda. Contoh ini menunjuk ke URI Amazon S3. Jika Anda memiliki pertimbangan tambahan, seperti menggunakan mode lokal atau beberapa saluran data pelatihan, lihat [ JumpStartEstimator.fit()](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.jumpstart.estimator.JumpStartEstimator.fit) di dokumentasi SageMaker Python SDK untuk informasi selengkapnya.
```
training_input = {
"training": "s3://{{}}"
}
```
1. Hubungi `fit()` metode estimator dan berikan data pelatihan Anda dan penerimaan EULA Anda (jika ada).
**catatan**
Contoh berikut ini menetapkan `accept_eula=False.` Anda harus mengubah nilai secara manual untuk `True` menerima EULA.
```
estimator.fit(inputs=training_input, accept_eula=False)
```
Pekerjaan fine-tuning Anda sekarang harus dimulai.
Anda dapat memeriksa pekerjaan fine-tuning Anda dengan melihat pekerjaan pelatihan Anda, baik di konsol SageMaker AI atau dengan menggunakan API. [ListTrainingJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListTrainingJobs.html)
Anda dapat mengakses artefak model yang disetel dengan baik di Amazon S3 `output_path` yang ditentukan dalam `JumpStartEstimator` objek (baik bucket AI Amazon SageMaker S3 default untuk wilayah tersebut, atau jalur Amazon S3 khusus yang Anda tentukan, jika ada).