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。

# 微調模型
<a name="jumpstart-fine-tune"></a>

微調會在新資料集上訓練預先訓練的模型，而不需要從頭開始訓練。這個程序也稱為移轉學習，可以利用較小的資料集和較短的訓練時間來產生精確的模型。如果模型的卡顯示 **可微調**屬性設定為**是**，您就可以微調該模型。

 ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) 

**重要**  
自 2023 年 11 月 30 日起，先前的 Amazon SageMaker Studio 體驗現在名為 Amazon SageMaker Studio Classic。下節專門介紹如何使用 Studio Classic 應用程式。如需使用已更新 Studio 體驗的資訊，請參閱 [Amazon SageMaker Studio](studio-updated.md)。  
Studio Classic 仍會針對現有工作負載進行維護，但無法再用於加入。您只能停止或刪除現有的 Studio Classic 應用程式，而且無法建立新的應用程式。建議您[將工作負載遷移至新的 Studio 體驗](studio-updated-migrate.md)。

**注意**  
如需在 Studio 中微調 JumpStart 模型的詳細資訊，請參閱[在 Studio 中微調模型](jumpstart-foundation-models-use-studio-updated-fine-tune.md)

## 微調資料來源
<a name="jumpstart-fine-tune-data"></a>

 微調模型時，您可以使用預設資料集或選擇自己位於 Amazon S3 儲存貯體中的資料。

若要瀏覽可用的儲存貯體，請選擇**尋找 S3 儲存貯體**。這些儲存貯體受到用於設定 Studio Classic 帳戶的權限所限制。您也可以選擇**輸入 Amazon S3 儲存貯體位置**來指定 Amazon S3 URI。

 ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) 

**提示**  
 若要瞭解如何格式化儲存貯體中的資料，請選擇**瞭解更多**。模型的描述部分包含有關輸入和輸出的詳細資訊。  

 針對文字模型：
+  儲存貯體必須具有 data.csv 檔案。
+  第一欄必須是用於類別標籤的唯一整數。例如：`1`、`2`、`3`、`4`、`n`
+  第二欄必須為字串。
+  第二欄應具有符合模型類型和語言的對應文字。  

 針對視覺模型：
+  儲存貯體必須具有與類別數目一樣多的子目錄。
+  各個子目錄應包含屬於該類的 .jpg 格式圖像。

**注意**  
 Amazon S3 儲存貯體必須與您執行 SageMaker Studio Classic AWS 區域 所在的儲存貯體相同，因為 SageMaker AI 不允許跨區域請求。

## 微調部署組態
<a name="jumpstart-fine-tune-deploy"></a>

p3 系列是我們建議速度最快的深度學習訓練系列，建議您使用此系列來微調模型。下方圖表顯示每個執行個體類型中的 GPU 數目。您還可以選擇其他可用選項，包括 p2 和 g4 執行個體類型。


|  執行個體類型  |  GPU  | 
| --- | --- | 
|  p3.2xlarge  |  1  | 
|  p3.8xlarge  |  4  | 
|  p3.16xlarge  |  8  | 
|  p3dn.24xlarge  |  8  | 

## 超參數
<a name="jumpstart-hyperparameters"></a>

您可以自訂用於微調模型的訓練工作的超參數。每個可微調模型的可用超參數視模型而有所不同。如需有關每個可用超參數的資訊，請參閱[Amazon SageMaker 中的內建演算法和預先訓練模型](algos.md)中關於所選模型的超參數文件。例如，如需可微調圖像分類 - TensorFlow 超參數的詳細資訊，請參閱[影像分類 - TensorFlow 參數](IC-TF-Hyperparameter.md)。

如果您在未變更超參數的情況下使用文字模型的預設資料集，則會得到幾乎相同的模型。針對視覺模型，預設資料集與用於訓練預先訓練模型的資料集不同，因此您的模型因此會有所不同。

以下超參數在模型中很常見：
+ **時期** - 一個時期是整個資料集的一個循環。一個批次包括多個間隔，多個批次最終組成一個時期。執行多個週期，直到模型的精準度達到可接受的程度，或者當誤差率降至可接受的程度以下為止。
+ **學習速率** - 值應該在時期之間改變的量。在改良模型時，會推動其內部權重，並檢查錯誤率以查看模型是否有所改善。典型的學習速率是 0.1 或 0.01，其中 0.01 是較小的調整，可能會導致訓練需要很長時間才能收斂，而 0.1 則大得多，可能導致訓練過衝。它是您可以調整以訓練模型的主要超參數之一。請注意，針對文字模型，較小的學習速率要 (BERT 為 5e-5) 可能會帶來更準確的模型。
+ **Batch 大小** - 每個間隔從資料集中選擇要傳送到 GPU 進行訓練的記錄數。

  在圖像範例中，您可能針對每個 GPU 發送 32 張圖像，因此您的批次大小是 32。如果您選擇具有多個 GPU 的執行個體類型，則該批次會除以 GPU 數目。建議的批次大小會因您使用的資料和模型而有所不同。例如，最佳化圖像資料的方式與處理語言資料的方式就有所不同。

  在部署組態段落的執行個體類型圖表中，您可以看到每個執行個體類型的 GPU 數目。從標準建議批次大小開始 (例如視覺模型為 32)。然後，將其乘以您選取的執行個體類型中的 GPU 數目。例如如果您使用的是 `p3.8xlarge`，則為 32 (批次大小) 乘以 4 (GPU)，總計 128，因為您的批次大小會根據 GPU 數量調整。針對像 BERT 這樣的文字模型，請嘗試從批次大小 64 開始，然後根據需要縮小。

 

## 訓練輸出
<a name="jumpstart-training"></a>

微調程序完成後，JumpStart 會提供模型的相關資訊：父模型、訓練工作名稱、訓練工作 ARN、訓練時間和輸出路徑。輸出路徑是新模型在 Amazon S3 儲存貯體中的位置。資料夾結構使用您提供的模型名稱，且模型檔案位於 `/output`子資料夾中，而且永遠命名為 `model.tar.gz`。  

 範例：`s3://bucket/model-name/output/model.tar.gz`

## 設定模型訓練的預設值
<a name="jumpstart-config-defaults-training"></a>

您可以為 IAM 角色、VPC 和 KMS 金鑰等參數設定預設值，以預先填入 JumpStart 模型部署和訓練。如需詳細資訊，請參閱[設定 JumpStart 模型的預設值](jumpstart-deploy.md#jumpstart-config-defaults)。