本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 高级设置
<a name="cluster-specific-configurations-advanced-settings"></a>

 SageMaker HyperPod 配方适配器建立在 Nvidia Nemo 和 Pytorch-Lightning 框架之上。如果您已经使用过这些框架，则将您的自定义模型或功能集成到 SageMaker HyperPod 配方适配器中的过程类似。除了修改配方适配器外，还可以更改您自己的预训练或微调脚本。有关编写自定义训练脚本的指南，请参阅[示例](https://github.com/aws/sagemaker-hyperpod-training-adapter-for-nemo/tree/main/examples)。

## 使用 SageMaker HyperPod 适配器创建自己的模型
<a name="cluster-specific-configurations-use-hyperpod-adapter-create-model"></a>

在配方适配器中，可以在以下位置自定义以下文件：

1. `collections/data`：包含一个负责加载数据集的模块。目前，它仅支持来自的数据集 HuggingFace。如果您有更高级的需求，可使用此代码结构在同一文件夹中添加自定义数据模块。

1. `collections/model`：包括各种语言模型的定义。目前，它支持常见的大语言模型，例如 Llama、Mixtral 和 Mistral。您可以灵活地在此文件夹中引入您自己的模型定义。

1. `collections/parts`：此文件夹包含以分布式方式训练模型的策略。一个示例是全分片数据并行（FSDP）策略，该策略允许跨多个加速器对大语言模型进行分片。此外，这些策略还支持各种形式的模型并行。您还可以选择为模型训练引入您自己的自定义训练策略。

1. `utils`：包含各种有助于进行训练作业管理的实用程序。它可以用作存储您自己的工具的存储库。您可以使用自己的工具执行故障排除或基准测试等任务。您还可以在此文件夹中添加自己的个性化 PyTorch Lightning 回传。您可以使用 PyTorch Lightning 回调将特定功能或操作无缝集成到训练生命周期中。

1. `conf`：包含用于验证训练作业中的特定参数的配置架构定义。如果您引入新的参数或配置，则可将自定义架构添加到此文件夹。可以使用自定义架构来定义验证规则。可以验证数据类型、范围或任何其他参数约束。也可以定义自己的自定义架构来验证参数。