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。

# 分析模型自訂任務的結果
<a name="model-customization-analyze"></a>

當您的模型自訂任務完成時，您可以分析自訂程序的結果。下列成品會上傳至您在建立模型自訂任務時指定的 S3 儲存貯體：
+ **訓練和驗證指標** – Amazon Bedrock 為所有模型自訂任務提供訓練指標。驗證指標也隨附於一些模型自訂任務中。
+ **合成資料 (僅限模型蒸餾)** – 來自 Amazon Bedrock 從教師模型產生的合成資料集的範例提示，用於在[蒸餾任務](submit-model-distillation-job.md)期間微調學生模型。此資訊可協助您進一步了解並驗證自訂模型的訓練方式。
+ **提示洞見 (僅限模型蒸餾)** – 在蒸餾期間接受和拒絕的輸入提示報告 (以及原因)。如果您需要執行另一個蒸餾任務，此資訊可協助您修正和精簡提示。

 Amazon Bedrock 會將您的自訂模型存放在範圍為 的 AWS 受管儲存中 AWS 帳戶。

您也可以透過執行模型評估任務來評估模型。如需詳細資訊，請參閱[評估 Amazon Bedrock 資源的效能](evaluation.md)。

下列範例顯示您可以在 S3 儲存貯體中微調訓練和驗證指標的位置：

```
- model-customization-job-training-job-id/
    - training_artifacts/
        - step_wise_training_metrics.csv
    - validation_artifacts/
        - post_fine_tuning_validation/
            - validation_metrics.csv
```

使用 `step_wise_training_metrics.csv` 和 `validation_metrics.csv` 檔案來分析模型自訂工作，並協助您根據需要調整模型。

`step_wise_training_metrics.csv` 檔案中的資料欄如下所示。
+ `step_number` – 訓練程序中的步驟。從 0 開始。
+ `epoch_number` – 訓練程序中的 epoch。
+ `training_loss` – 指出模型符合訓練資料的程度。較低的值表示更符合。
+ `perplexity` – 指出模型預測一系列字符的能力。值愈低表示預測能力愈好。

`validation_metrics.csv` 檔案中的資料欄與訓練檔案相同，但 `validation_loss` (模型符合驗證資料的程度) 會取代 `training_loss` 出現。



您可以直接開啟 [https://console.aws.amazon.com/s3](https://console.aws.amazon.com/s3)，或尋找模型詳細資訊中輸出資料夾的連結來尋找輸出檔案。選擇您偏好方法的索引標籤，然後遵循下列步驟：

------
#### [ Console ]

1.  AWS 管理主控台 使用具有使用 Amazon Bedrock 主控台之許可的 IAM 身分登入 。接著，開啟位於 [https://console.aws.amazon.com/bedrock](https://console.aws.amazon.com/bedrock) 的 Amazon Bedrock 主控台。

1. 從左側導覽窗格中，選擇**調校**下的**自訂模型**。

1. 在**模型**索引標籤中，選取模型以檢視其詳細資訊。您可以在**模型詳細資訊**區段中找到**任務名稱**。

1. 若要檢視輸出 S3 檔案，請在**輸出資料**區段中選取 **S3 位置**。

1. 在名稱符合模型**任務名稱**的資料夾中尋找訓練和驗證指標檔案。

------
#### [ API ]

若要列出所有自訂模型的相關資訊，請使用 [Amazon Bedrock 控制平面端點](https://docs.aws.amazon.com/general/latest/gr/bedrock.html#br-cp)傳送 [ListCustomModels](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_ListCustomModels.html) (請參閱請求與回應格式和欄位詳細資訊的連結) 請求。如需您可以使用的篩選條件，請參閱 [ListCustomModels](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_ListCustomModels.html)。

若要列出自訂模型的所有標籤，請使用 [Amazon Bedrock 控制平面端點](https://docs.aws.amazon.com/general/latest/gr/bedrock.html#br-cp)傳送 [ListTagsForResource](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_ListTagsForResource.html) 請求，並包含自訂模型的 Amazon Resource Name (ARN)。

若要監控模型自訂任務的狀態，請使用 [Amazon Bedrock 控制平面端點](https://docs.aws.amazon.com/general/latest/gr/bedrock.html#br-cp)搭配 `modelIdentifier` 傳送 [GetCustomModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_GetCustomModel.html) (請參閱請求與回應格式和欄位詳細資訊的連結) 請求，這是下列其中一項。
+ 您提供給模型的名稱。
+ 模型的 ARN。

您可以在 [GetModelCustomizationJob](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_GetModelCustomizationJob.html) 或 [GetCustomModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_GetCustomModel.html) 回應中查看模型自訂任務的 `trainingMetrics` 和 `validationMetrics`。

若要下載訓練和驗證指標檔案，請遵循[下載物件](https://docs.aws.amazon.com/AmazonS3/latest/userguide/download-objects.html)的步驟。使用您在 `outputDataConfig` 中提供的 S3 URI。

[查看程式碼範例](model-customization-code-samples.md)

------