Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Panduan pengguna
Topik berikut mencakup mengakses dan menggunakan model di hub model yang SageMaker JumpStart dikurasi Amazon Anda. Pelajari cara mengakses model hub yang dikurasi melalui antarmuka Amazon SageMaker Studio atau secara terprogram dengan Python SageMaker SDK. Selain itu, pelajari cara menyempurnakan model hub yang dikurasi untuk menyesuaikannya dengan kasus penggunaan spesifik dan kebutuhan bisnis Anda.
**Topics**
+ [Akses hub model yang dikuratori di Amazon SageMaker JumpStart](jumpstart-curated-hubs-access-hubs.md)
+ [Menyesuaikan model hub yang dikuratori](jumpstart-curated-hubs-fine-tune.md)
# Akses hub model yang dikuratori di Amazon SageMaker JumpStart
Anda dapat mengakses hub model pribadi baik melalui Studio atau melalui SageMaker Python SDK.
## Akses hub model pribadi Anda di Studio
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan pengalaman Studio yang diperbarui. Untuk informasi tentang menggunakan aplikasi Studio Classic, lihat[Amazon SageMaker Studio Klasik](studio.md).
Di Amazon SageMaker Studio, buka halaman JumpStart arahan baik melalui halaman **Beranda** atau menu **Beranda** di panel sisi kiri. Ini membuka halaman **SageMaker JumpStart**arahan tempat Anda dapat menjelajahi hub model dan mencari model.
+ Dari halaman **Beranda**, pilih **JumpStart**di panel **solusi bawaan dan otomatis**.
+ Dari menu **Beranda** di panel kiri, arahkan ke **JumpStart**node.
Untuk informasi selengkapnya tentang memulai Amazon SageMaker Studio, lihat[SageMaker Studio Amazon](studio-updated.md).
Dari halaman **SageMaker JumpStart**landing di Studio, Anda dapat menjelajahi hub model pribadi apa pun yang menyertakan model yang diizinkan untuk organisasi Anda. Jika Anda hanya memiliki akses ke satu hub model, maka halaman **SageMaker JumpStart**arahan akan membawa Anda langsung ke hub itu. Jika Anda memiliki akses ke beberapa hub, Anda akan dibawa ke halaman **Hub.**
Untuk informasi selengkapnya tentang fine-tuning, penerapan, dan evaluasi model yang dapat Anda akses di Studio, lihat. [Gunakan model pondasi di Studio](jumpstart-foundation-models-use-studio-updated.md)
## Akses hub model pribadi Anda menggunakan SageMaker Python SDK
Anda dapat mengakses hub model pribadi Anda menggunakan SageMaker Python SDK. Akses Anda untuk membaca, menggunakan, atau mengedit hub yang dikuratori disediakan oleh administrator Anda.
**catatan**
Jika hub dibagi di seluruh akun, maka `HUB_NAME` harus menjadi hub ARN. Jika hub tidak dibagikan di seluruh akun, maka `HUB_NAME` bisa menjadi nama hub.
1. Instal SDK SageMaker Python dan impor paket Python yang diperlukan.
```
# Install the SageMaker Python SDK
!pip3 install sagemaker --force-reinstall --quiet
# Import the necessary Python packages
import boto3
from sagemaker import Session
from sagemaker.jumpstart.hub.hub import Hub
from sagemaker.jumpstart.model import JumpStartModel
from sagemaker.jumpstart.estimator import JumpStartEstimator
```
1. Initalisasi sesi SageMaker AI dan sambungkan ke hub pribadi Anda menggunakan nama hub dan Wilayah.
```
# If a hub is shared across accounts, then the HUB_NAME must be the hub ARN
HUB_NAME="Example-Hub-ARN"
REGION="us-west-2"
# Initialize a SageMaker session
sm_client = boto3.client('sagemaker')
sm_runtime_client = boto3.client('sagemaker-runtime')
session = Session(sagemaker_client=sm_client,
sagemaker_runtime_client=sm_runtime_client)
# Initialize the private hub
hub = Hub(hub_name=HUB_NAME, sagemaker_session=session)
```
1. Setelah terhubung ke hub pribadi, Anda dapat mencantumkan semua model yang tersedia di hub itu menggunakan perintah berikut:
```
response = hub.list_models()
models = response["hub_content_summaries"]
while response["next_token"]:
response = hub.list_models(next_token=response["next_token"])
models.extend(response["hub_content_summaries"])
print(models)
```
1. Anda bisa mendapatkan informasi lebih lanjut tentang model tertentu menggunakan nama model dengan perintah berikut:
```
response = hub.describe_model(model_name="example-model")
print(response)
```
Untuk informasi selengkapnya tentang fine-tuning dan deploying model yang dapat Anda akses menggunakan Python SageMaker SDK, lihat. [Gunakan model foundation dengan SageMaker Python SDK](jumpstart-foundation-models-use-python-sdk.md)
# Menyesuaikan 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 [Algoritma Bawaan](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html) dengan Tabel Model Pra-terlatih.
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.
## Sempurnakan 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 model IDs, lihat [Algoritma Bawaan dengan Tabel Model Pra-terlatih](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).