As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Guia do usuário
Os tópicos a seguir abordam o acesso e o uso de modelos em seus hubs de modelos SageMaker JumpStart com curadoria da Amazon. Saiba como acessar seus modelos de hub selecionados por meio da interface do Amazon SageMaker Studio ou programaticamente com o SDK do Python SageMaker . Além disso, saiba como ajustar modelos de hubs selecionados para adaptá-los às suas necessidades comerciais e casos de uso específicos.
**Topics**
+ [Acesse hubs de modelos selecionados na Amazon SageMaker JumpStart](jumpstart-curated-hubs-access-hubs.md)
+ [Ajustar modelos de hub selecionado](jumpstart-curated-hubs-fine-tune.md)
# Acesse hubs de modelos selecionados na Amazon SageMaker JumpStart
Você pode acessar um hub de modelo privado por meio do Studio ou do SDK do SageMaker Python.
## Acesse seu hub de modelos privados no Studio
**Importante**
Em 30 de novembro de 2023, a experiência anterior do Amazon SageMaker Studio agora se chama Amazon SageMaker Studio Classic. A seção a seguir é específica ao uso da experiência atualizada do Studio. Para obter informações sobre como usar a aplicação do Studio Classic, consulte [Amazon SageMaker Studio Clássico](studio.md).
No Amazon SageMaker Studio, abra a página JumpStart inicial por meio da página **inicial** ou do menu **inicial** no painel do lado esquerdo. Isso abre a página **SageMaker JumpStart**inicial, na qual você pode explorar os hubs de modelos e pesquisar modelos.
+ Na página **inicial**, escolha **JumpStart**no painel **Soluções pré-construídas e automatizadas**.
+ No menu **Início**, no painel esquerdo, navegue até o **JumpStart**nó.
Para obter mais informações sobre como começar a usar o Amazon SageMaker Studio, consulte[SageMaker Estúdio Amazon](studio-updated.md).
Na página **SageMaker JumpStart**inicial do Studio, você pode explorar quaisquer hubs de modelos privados que incluam modelos listados como permitidos para sua organização. Se você tiver acesso apenas a um hub de modelos, a página de **SageMaker JumpStart**destino o levará diretamente para esse hub. Se você tiver acesso a vários hubs, você será direcionado para a página **Hubs**.
Para obter mais informações sobre como ajustar, implantar e avaliar modelos aos quais você tem acesso no Studio, consulte [Usar modelos de base no Studio](jumpstart-foundation-models-use-studio-updated.md).
## Acesse seu hub de modelo privado usando o SDK do SageMaker Python
Você pode acessar seu hub de modelo privado usando o SDK do SageMaker Python. Seu acesso de leitura, uso e edição do hub selecionado é fornecido pelo seu administrador.
**nota**
Se um hub for compartilhado entre contas, o `HUB_NAME` deverá ser o ARN do hub. Se um hub não for compartilhado entre contas, o `HUB_NAME` poderá ser o nome do hub.
1. Instale o SDK do SageMaker Python e importe os pacotes necessários do Python.
```
# 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. Inicialize uma sessão de SageMaker IA e conecte-se ao seu hub privado usando o nome do hub e a região.
```
# 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. Após conectar-se a um hub privado, você pode listar todos os modelos disponíveis nesse hub usando os seguintes comandos:
```
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. Você pode obter mais informações sobre um modelo específico usando o nome do modelo com o seguinte comando:
```
response = hub.describe_model(model_name="example-model")
print(response)
```
Para obter mais informações sobre como ajustar e implantar modelos aos quais você tem acesso usando o SDK do SageMaker Python, consulte. [Use modelos básicos com o SageMaker Python SDK](jumpstart-foundation-models-use-python-sdk.md)
# Ajustar modelos de hub selecionado
No hub privado e selecionado de modelos, você pode executar tarefas de treinamento de ajuste fino usando suas referências de modelo. As referências do modelo apontam para um JumpStart modelo disponível publicamente no hub público de SageMaker IA, mas você pode ajustar o modelo em seus próprios dados para seu caso de uso específico. Após o trabalho de ajuste fino, você tem acesso aos pesos do modelo que podem ser usados ou implantados em um endpoint.
Você pode ajustar modelos de hub selecionados em apenas algumas linhas de código usando o SDK do Python SageMaker. Para obter mais informações gerais sobre o ajuste fino de JumpStart modelos disponíveis publicamente, consulte. [Modelos de base e hiperparâmetros para ajuste](jumpstart-foundation-models-fine-tuning.md)
## Pré-requisitos
Para ajustar uma referência de JumpStart modelo em seu hub organizado, faça o seguinte:
1. Certifique-se de que a função do IAM do seu usuário tenha a `TrainHubModel` permissão de SageMaker IA anexada. Para ter mais informações, consulte [Adicionar e remover permissões de identidade do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) no *AWS Guia do usuário do IAM*.
Você deve anexar uma política como a do seguinte exemplo ao perfil do IAM do usuário.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "sagemaker:TrainHubModel",
"Resource": "arn:aws:sagemaker:*:111122223333:hub/*"
}
]
}
```
------
**nota**
Se seu hub selecionado for compartilhado entre contas e o respectivo conteúdo pertencer a outra conta, `HubContent` (o recurso de referência do modelo) deverá ter uma política do IAM baseada em recursos que também conceda a permissão `TrainHubModel` à conta solicitante, conforme mostrado no exemplo a seguir.
****
```
{
"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. Tenha um hub privado com curadoria com uma referência de modelo a um JumpStart modelo que você deseja ajustar. Para ter mais informações sobre como criar um hub privado, consulte [Criar um hub de modelo privado](jumpstart-curated-hubs-admin-guide-create.md). Para saber como adicionar JumpStart modelos disponíveis publicamente ao seu hub privado, consulte[Adicionar modelos a um hub privado](jumpstart-curated-hubs-admin-guide-add-models.md).
**nota**
O JumpStart modelo escolhido deve ser ajustável. Para verificar se um modelo é ajustável, consulte [Built-in Algorithms with pre-trained Model Table](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html).
1. Tenha um conjunto de dados de treinamento que você deseja usar para ajustar o modelo. O conjunto de dados deve estar no formato de treinamento apropriado para o modelo que você deseja ajustar.
## Ajustar uma referência de modelo do hub selecionado
O procedimento a seguir mostra como ajustar uma referência de modelo em seu hub privado com curadoria usando o SDK do Python SageMaker .
1. Verifique se você tem a versão mais recente (pelo menos`2.242.0`) do SDK do SageMaker Python instalada. Para obter mais informações, consulte [Usar a versão 2.x do SDK do SageMaker Python](https://sagemaker.readthedocs.io/en/stable/v2.html).
```
!pip install --upgrade sagemaker
```
1. Importe os módulos AWS SDK para Python (Boto3) e os que você precisará do SDK do SageMaker Python.
```
import boto3
from sagemaker.jumpstart.estimator import JumpStartEstimator
from sagemaker.session import Session
```
1. Inicialize uma sessão do Boto3, um cliente de SageMaker IA e uma sessão do SDK do Python SageMaker .
```
sagemaker_client = boto3.Session(region_name=).client("sagemaker")
sm_session = Session(sagemaker_client=sagemaker_client)
```
1. Crie um `JumpStartEstimator` e forneça o ID do JumpStart modelo, o nome do seu hub que contém a referência do modelo e sua sessão do SDK do SageMaker Python. Para obter uma lista de modelos IDs, consulte a [tabela de algoritmos integrados com modelos pré-treinados](https://sagemaker.readthedocs.io/en/stable/doc_utils/pretrainedmodels.html).
Opcionalmente, é possível especificar os campos `instance_type` e `instance_count` ao criar o estimador. Do contrário, a tarefa de treinamento usará o tipo e contagem de instância padrão e do modelo que você está usando.
Opcionalmente, você também pode especificar o `output_path` para o local do Amazon S3 onde deseja armazenar os pesos do modelo ajustado. Se você não especificar o`output_path`, então usa um bucket SageMaker AI Amazon S3 padrão para a região em sua conta, nomeado com o seguinte formato:. `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. Crie um dicionário com a chave `training` em que você especifica o local do seu conjunto de dados de ajuste fino. Este exemplo aponta para um URI do Amazon S3. Se você tiver outras considerações, como usar o modo local ou vários canais de dados de treinamento, consulte [ JumpStartEstimator.fit ()](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.jumpstart.estimator.JumpStartEstimator.fit) na documentação do SDK do SageMaker Python para obter mais informações.
```
training_input = {
"training": "s3://"
}
```
1. Chame o método `fit()` do estimador e passe seus dados de treinamento e sua aceitação do EULA (se aplicável).
**nota**
O exemplo a seguir define `accept_eula=False.` Você deve alterar manualmente o valor para `True` para aceitar o EULA.
```
estimator.fit(inputs=training_input, accept_eula=False)
```
Seu trabalho de ajuste fino deve começar agora.
Você pode verificar seu trabalho de ajuste fino visualizando seus trabalhos de treinamento, no console de SageMaker IA ou usando a [ListTrainingJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListTrainingJobs.html)API.
Você pode acessar seus artefatos de modelo ajustados no Amazon S3 `output_path` que foram especificados no `JumpStartEstimator` objeto (o bucket AI Amazon SageMaker S3 padrão para a região ou um caminho personalizado do Amazon S3 que você especificou, se aplicável).