利用 Amazon SageMaker JumpStart 快速启动您的机器学习项目

入门指南

概览

在本教程中，您将学习如何利用 Amazon SageMaker JumpStart 提供的预训练模型和预构建解决方案快速启动您的机器学习（ML）项目。然后，您将通过 Amazon SageMaker Studio 笔记本部署所选模型。

Amazon SageMaker JumpStart 可帮助您快速轻松地开始使用机器学习（ML）。为了快速开始使用，SageMaker JumpStart 会通过用户界面的热门模型中心，使您可以利用预训练的模型访问数百种内置算法。借助 SageMaker Python 开发工具包，您可以从 Model Zoo 中选择预构建的模型，针对自定义数据进行训练，或部署到 SageMaker 端点以用于推理。为了帮助您更轻松地上手，SageMaker JumpStart 为最常见的使用案例提供了一套解决方案，只需单击几下即可轻松部署。这些解决方案是完全可定制的，并展示了 AWS CloudFormation 模板和参考架构的使用，因此可以加快您的 ML 进程。

学习内容

在本指南中，您将：

部署 SageMaker JumpStart 预训练模型
从 SageMaker JumpStart 利用部署的端点来运行推理

先决条件

在开始学习本指南之前，您需要：

一个 AWS 账户：如果您还没有账户，请遵循设置 AWS 环境入门指南中的说明获取快速概览。

AWS 使用经验

新手

完成时间

15 分钟

所需费用

请参阅 SageMaker 定价估算此教程的费用。

需要

您必须登录 AWS 账户。

使用的服务

Amazon SageMaker JumpStart

上次更新日期

2022 年 6 月 28 日

使用案例

在本教程中，您将部署名为 “BERT Based Cased” 的模型，该模型使用 Wikipedia 进行过英语文本的预训练，并且在文本分类使用案例中表现出良好性能。

第 1 步：设置 Amazon SageMaker Studio 域

一个 AWS 账户在一个 AWS 区域只能有一个 SageMaker Studio 域。如果您在美国东部（弗吉尼亚州北部）区域已经有一个 SageMaker Studio 域，请遵照 SageMaker Studio 设置指南将所需的 AWS IAM 策略附加到您的 SageMaker Studio 账户，然后跳过第 1 步，并直接继续第 2 步操作。

如果您没有现有的 SageMaker Studio 域，则继续第 1 步以运行 AWS CloudFormation 模板，从而创建 SageMaker Studio 域并添加本教程剩余部分所需的权限。

选择 AWS CloudFormation 堆栈链接。此链接将打开 AWS CloudFormation 控制台并创建您的 SageMaker Studio 域和名为 studio-user 的用户。它还将添加所需权限到您的 SageMaker Studio 账户。在 CloudFormation 控制台中，确认美国东部（弗吉尼亚州北部）是右上角显示的区域。堆栈名称应为 CFN-SM-IM-Lambda-Catalog，且不应更改。此堆栈需要花费 10 分钟左右才能创建所有资源。

此堆栈假设您已经在账户中设置了一个公有 VPC。如果您没有公有 VPC，请参阅具有单个公有子网的 VPC以了解如何创建公有 VPC。

选择 I acknowledge that AWS CloudFormation might create IAM resources（我确认，AWS CloudFormation 可能创建 IAM 资源），然后选择 Create stack（创建堆栈）。

在 CloudFormation 窗格上，选择 Stacks（堆栈）。创建堆栈时，堆栈状态应从 CREATE_IN_PROGRESS 变为 CREATE_COMPLETE。

在 CloudFormation 控制台搜索栏中输入 SageMaker Studio，然后选择 SageMaker Studio。

从 SageMaker 控制台右上角的 Region（区域）下拉列表中选择 US East (N. Virginia)（美国东部（弗吉尼亚州北部））。对于 Launch app（启动应用程序），选择 Studio 以使用 studio-user 配置文件打开 SageMaker Studio。

第 2 步：创建新的启动器窗口并启动 JumpStart

从了解哪些模型适合哪些使用案例，到如何开始，要开始使用机器学习可能会充满挑战。Amazon SageMaker JumpStart 为最常见的用例提供了一系列解决方案，只需单击几下即可轻松部署并解决该问题。使用预训练的模型和解决方案，您可以在几分钟内部署具有预测能力的端点。

在开始前，您需要通过单击文件窗口视图顶部的 + 图标来打开新的启动器窗口。

在启动器视图的左上角，单击 JumpStart models, algorithms, and solutions（JumpStart 模型、算法和解决方案）按钮。这样做将启动 SageMaker JumpStart，您将看到包含各种精选内容、解决方案、模型、问题类型等内容的新窗口。在本教程中，您将运行 BERT Base Cased Text 预训练模型。

要查找预训练模型，使用右上角的搜索栏，并输入 BERT。此时将显示适用于 BERT 的模型。单击名为 BERT Base Cased Text - Text Classification 的模型。或者，您可以浏览可用的模型，以找到正确的模型。

BERT 模型包括按原样部署预训练模型或对模型进行再训练的选项。在本教程中，您将按原样部署预训练的模型。如果要开始，请单击 Deployment Configuration（部署配置）旁的下拉菜单。接下来，单击下拉菜单 SageMaker hosting instance（SageMaker 托管实例）。您将看到各种实例类型，它们与将被用于托管端点的资源对应。选择 ml.m5.large。第二个框对应的是端点名称。保留默认值，不过要记住，您可以视需要对端点进行重命名。