Suorita erämuunnoksia Amazon SageMaker Jumpstart Text2Text Generationin suurilla kielimalleilla | Amazon Web Services

Tänään meillä on ilo ilmoittaa, että voit nyt suorittaa erämuunnoksia Amazon SageMaker JumpStart suuret kielimallit (LLM) Text2Text Generationille. Erämuunnokset ovat hyödyllisiä tilanteissa, joissa vastausten ei tarvitse olla reaaliaikaisia, ja siksi voit tehdä johtopäätöksiä erässä suurille tietojoukoille. Erämuunnokselle suoritetaan erätyö, joka ottaa eräsyötteen tietojoukona ja esiopetettuna mallina ja tulostaa ennusteet jokaiselle tietojoukon tietopisteelle. Erämuunnos on kustannustehokas, koska toisin kuin reaaliaikaisissa isännöidyissä päätepisteissä, joissa on pysyvä laitteisto, erämuunnosklusterit puretaan, kun työ on valmis, ja siksi laitteistoa käytetään vain erätyön keston ajan.

Joissakin käyttötapauksissa reaaliaikaiset päättelypyynnöt voidaan ryhmitellä pieniin eriin eräkäsittelyä varten reaaliaikaisten tai lähes reaaliaikaisten vastausten luomiseksi. Jos esimerkiksi sinun on käsiteltävä jatkuvaa datavirtaa alhaisella viiveellä ja suurella suorituskyvyllä, reaaliaikaisen päätepisteen kutsuminen jokaiselle pyynnölle erikseen vaatisi enemmän resursseja ja voi kestää kauemmin kaikkien pyyntöjen käsittelyssä, koska käsittely suoritetaan sarjassa. . Parempi tapa olisi ryhmitellä jotkin pyynnöt ja kutsua reaaliaikaista päätepistettä eräpäätelmätilassa, joka käsittelee pyyntösi mallin yhdellä eteenpäinsiirrolla ja palauttaa pyynnön joukkovastauksen reaaliajassa tai lähes reaaliajassa. . Vastauksen latenssi riippuu ryhmittämiesi pyyntöjen määrästä ja ilmentymän muistin koosta, joten voit säätää eräkokoa yrityksesi viiveen ja suorituskyvyn vaatimusten mukaan. Kutsumme tätä reaaliaikainen eräpäätelmä koska se yhdistää eräajon käsitteen ja tarjoaa silti reaaliaikaisia ​​vastauksia. Reaaliaikaisen eräpäätelmän avulla voit saavuttaa tasapainon alhaisen viiveen ja suuren suorituskyvyn välillä, jolloin voit käsitellä suuria tietomääriä oikea-aikaisesti ja tehokkaasti.

Jumpstart erämuunnos Text2Text Generation -malleille mahdollistaa erän hyperparametrien välittämisen ympäristömuuttujien kautta, jotka lisäävät edelleen suorituskykyä ja minimoivat latenssia.

JumpStart tarjoaa valmiiksi koulutettuja avoimen lähdekoodin malleja monenlaisille ongelmatyypeille, jotka auttavat sinua pääsemään alkuun koneoppimisen (ML) kanssa. Voit asteittain kouluttaa ja virittää näitä malleja ennen käyttöönottoa. JumpStart tarjoaa myös ratkaisumalleja, jotka määrittävät infrastruktuurin yleisiä käyttötapauksia varten, ja suoritettavia esimerkkimuistikirjoja ML:lle Amazon Sage Maker. Pääset valmiiksi koulutettuihin malleihin, ratkaisumalleihin ja esimerkkeihin JumpStart-aloitussivun kautta Amazon SageMaker Studio. Voit myös käyttää JumpStart-malleja käyttämällä SageMaker Python SDK:ta.

Tässä postauksessa näytämme, kuinka käytät huippuluokan esikoulutettua text2text FLAN T5 mallit Hugging Facesta erämuunnos ja reaaliaikainen eräpäätelmä.

Ratkaisun yleiskatsaus

Muistikirja, joka näyttää erämuunnos esikoulutetuista Text2Text FLAN T5 -malleista Halaaminen kasvot saatavilla seuraavassa GitHub-arkisto. Tämä muistikirja käyttää Hugging Facen tietoja cnn_dailymail tietojoukko tekstin yhteenvetotehtävää varten SageMaker SDK:lla.

Seuraavat ovat tärkeimmät vaiheet erämuunnoksen ja reaaliaikaisen eräpäätelmän toteuttamiseksi:

1. Aseta edellytykset.
2. Valitse valmiiksi koulutettu malli.
3. Hae artefaktit mallille.
4. Määritä erämuunnostyön hyperparametrit.
5. Valmistele tiedot erämuunnokselle.
6. Suorita erämuunnostyö.
7. Arvioi yhteenveto käyttämällä a RED (Recall-Oriented Understudy for Gisting Evaluation) pisteet.
8. Suorita reaaliaikainen eräpäättely.

Aseta edellytykset

Ennen kuin käytät muistikirjaa, sinun on suoritettava joitakin alkuasennusvaiheita. Määritetään SageMaker-suoritusrooli, jotta sillä on oikeudet suorittaa AWS-palveluita puolestasi:

sagemaker_session = Session()
aws_role = sagemaker_session.get_caller_identity_arn()
aws_region = boto3.Session().region_name
sess = sagemaker.Session()

Valitse valmiiksi koulutettu malli

Käytämme oletusmallina huggingface-text2text-flan-t5-large mallia. Valinnaisesti voit hakea luettelon käytettävissä olevista Text2Text-malleista JumpStartista ja valita haluamasi mallin. Tämä menetelmä tarjoaa yksinkertaisen tavan valita eri mallitunnukset käyttämällä samaa kannettavaa tietokonetta. Esittelytarkoituksiin käytämme huggingface-text2text-flan-t5-large mallia:

model_id, model_version, = ( "huggingface-text2text-flan-t5-large", "*",
)

Hae artefaktit mallille

SageMakerin avulla voimme tehdä päätelmiä esiopetetusta mallista, jopa ilman hienosäätämistä ensin uudessa tietojoukossa. Aloitamme hakemalla deploy_image_uri, deploy_source_urija model_uri esikoulutetulle mallille:

inference_instance_type = "ml.p3.2xlarge" # Retrieve the inference docker container uri. This is the base HuggingFace container image for the default model above.
deploy_image_uri = image_uris.retrieve(
region=None,
framework=None, # automatically inferred from model_id
image_scope="inference",
model_id=model_id,
model_version=model_version,
instance_type=inference_instance_type,
) # Retrieve the model uri.
model_uri = model_uris.retrieve(
model_id=model_id, model_version=model_version, model_scope="inference"
) #Create the SageMaker model instance
model = Model(
image_uri=deploy_image_uri,
model_data=model_uri,
role=aws_role,
predictor_cls=Predictor)

Määritä erämuunnostyön hyperparametrit

Voit välittää minkä tahansa hyperparametrien osajoukon ympäristömuuttujina erämuunnostyöhön. Voit myös välittää nämä hyperparametrit JSON-hyötykuormassa. Jos kuitenkin asetat ympäristömuuttujia hyperparametreille seuraavan koodin osoittamalla tavalla, JSON-rivien hyötykuorman yksittäisistä esimerkeistä saatuja edistyneitä hyperparametreja ei käytetä. Jos haluat käyttää hyötykuorman hyperparametreja, sinun kannattaa asettaa hyper_params_dict parametrin sijaan nolla.

#Specify the Batch Job Hyper Params Here, If you want to treate each example hyperparameters different please pass hyper_params_dict as None
hyper_params = {"batch_size":4, "max_length":50, "top_k": 50, "top_p": 0.95, "do_sample": True}
hyper_params_dict = {"HYPER_PARAMS":str(hyper_params)}

Valmistele tiedot erämuunnoksia varten

Nyt olemme valmiita lataamaan cnn_dailymail Hugging Facen tietojoukko:

cnn_test = load_dataset('cnn_dailymail','3.0.0',split='test')

Käymme läpi jokaisen tiedonsyötön ja luomme syöttötiedot vaaditussa muodossa. Luomme an articles.jsonl tiedosto testidatatiedostona, joka sisältää artikkeleita, jotka on tiivistettävä syöttöhyötykuormana. Kun luomme tätä tiedostoa, lisäämme kehotteen "Briefly summarize this text:" jokaiselle testisyöttöriville. Jos haluat eri hyperparametrit jokaiselle testisyötteelle, voit liittää kyseiset hyperparametrit osana tietojoukon luomista.

Luomme highlights.jsonl totuustiedostona, joka sisältää kunkin testitiedostoon tallennetun artikkelin kohokohdat articles.jsonl. Tallennamme molemmat testitiedostot an Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri. Katso seuraava koodi:

#You can specify a prompt here
prompt = "Briefly summarize this text: "
#Provide the test data and the ground truth file name
test_data_file_name = "articles.jsonl"
test_reference_file_name = 'highlights.jsonl' test_articles = []
test_highlights =[] # We will go over each data entry and create the data in the input required format as described above
for id, test_entry in enumerate(cnn_test): article = test_entry['article'] highlights = test_entry['highlights'] # Create a payload like this if you want to have different hyperparameters for each test input # payload = {"id": id,"text_inputs": f"{prompt}{article}", "max_length": 100, "temperature": 0.95} # Note that if you specify hyperparameter for each payload individually, you may want to ensure that hyper_params_dict is set to None instead payload = {"id": id,"text_inputs": f"{prompt}{article}"} test_articles.append(payload) test_highlights.append({"id":id, "highlights": highlights}) with open(test_data_file_name, "w") as outfile: for entry in test_articles: outfile.write("%sn" % json.dumps(entry)) with open(test_reference_file_name, "w") as outfile: for entry in test_highlights: outfile.write("%sn" % json.dumps(entry)) # Uploading the data s3 = boto3.client("s3")
s3.upload_file(test_data_file_name, output_bucket, os.path.join(output_prefix + "/batch_input/articles.jsonl"))

Suorita erämuunnostyö

Kun aloitat erämuunnostyön, SageMaker käynnistää tarvittavat laskentaresurssit tietojen käsittelemiseksi, mukaan lukien CPU- tai GPU-instanssit valitun ilmentymän tyypin mukaan. Erämuunnostyön aikana SageMaker määrittää ja hallinnoi automaattisesti tietojen käsittelyyn tarvittavia laskentaresursseja, mukaan lukien ilmentymät, tallennus- ja verkkoresurssit. Kun erämuunnostyö on valmis, SageMaker puhdistaa laskentaresurssit automaattisesti. Tämä tarkoittaa, että työn aikana käytetyt esiintymät ja tallennustila pysäytetään ja poistetaan, mikä vapauttaa resursseja ja minimoi kustannukset. Katso seuraava koodi:

# Creating the Batch transformer object
batch_transformer = model.transformer( instance_count=1, instance_type=inference_instance_type, output_path=s3_output_data_path, assemble_with="Line", accept="text/csv", max_payload=1, env = hyper_params_dict
) # Making the predications on the input data
batch_transformer.transform(s3_input_data_path, content_type="application/jsonlines", split_type="Line") batch_transformer.wait()

Seuraava on yksi esimerkkitietue kohteesta articles.jsonl testitiedosto. Huomaa, että tämän tiedoston tietueella on tunnus, joka vastaa predict.jsonl tiedostotietueet, jotka näyttävät yhteenvedon Hugging Face Text2Text -mallin tulosteena. Samoin pohjatotuustiedostolla on myös vastaava tunnus tietueelle. Testitiedoston, perustotuustiedoston ja tulostiedoston välinen täsmäytystunnus mahdollistaa syöttötietueiden linkittämisen tulostietueisiin tulosten helpon tulkinnan vuoksi.

Seuraavassa on esimerkki syöttötietueesta yhteenvetoa varten:

{"id": 0, "text_inputs": "Briefly summarize this text: (CNN)The Palestinian Authority officially became the 123rd member of the International Criminal Court on Wednesday, a step that gives the court jurisdiction over alleged crimes in Palestinian territories. The formal accession was marked with a ceremony at The Hague, in the Netherlands, where the court is based. The Palestinians signed the ICC's founding Rome Statute in January, when they also accepted its jurisdiction over alleged crimes committed "in the occupied Palestinian territory, including East Jerusalem, since June 13, 2014." Later that month, the ICC opened a preliminary examination into the situation in Palestinian territories, paving the way for possible war crimes investigations against Israelis. As members of the court, Palestinians may be subject to counter-charges as well. Israel and the United States, neither of which is an ICC member, opposed the Palestinians' efforts to join the body. But Palestinian Foreign Minister Riad al-Malki, speaking at Wednesday's ceremony, said it was a move toward greater justice. "As Palestine formally becomes a State Party to the Rome Statute today, the world is also a step closer to ending a long era of impunity and injustice," he said, according to an ICC news release. "Indeed, today brings us closer to our shared goals of justice and peace." Judge Kuniko Ozaki, a vice president of the ICC, said acceding to the treaty was just the first step for the Palestinians. "As the Rome Statute today enters into force for the State of Palestine, Palestine acquires all the rights as well as responsibilities that come with being a State Party to the Statute. These are substantive commitments, which cannot be taken lightly," she said. Rights group Human Rights Watch welcomed the development. "Governments seeking to penalize Palestine for joining the ICC should immediately end their pressure, and countries that support universal acceptance of the court's treaty should speak out to welcome its membership," said Balkees Jarrah, international justice counsel for the group. "What's objectionable is the attempts to undermine international justice, not Palestine's decision to join a treaty to which over 100 countries around the world are members." In January, when the preliminary ICC examination was opened, Israeli Prime Minister Benjamin Netanyahu described it as an outrage, saying the court was overstepping its boundaries. The United States also said it "strongly" disagreed with the court's decision. "As we have said repeatedly, we do not believe that Palestine is a state and therefore we do not believe that it is eligible to join the ICC," the State Department said in a statement. It urged the warring sides to resolve their differences through direct negotiations. "We will continue to oppose actions against Israel at the ICC as counterproductive to the cause of peace," it said. But the ICC begs to differ with the definition of a state for its purposes and refers to the territories as "Palestine." While a preliminary examination is not a formal investigation, it allows the court to review evidence and determine whether to investigate suspects on both sides. Prosecutor Fatou Bensouda said her office would "conduct its analysis in full independence and impartiality." The war between Israel and Hamas militants in Gaza last summer left more than 2,000 people dead. The inquiry will include alleged war crimes committed since June. The International Criminal Court was set up in 2002 to prosecute genocide, crimes against humanity and war crimes. CNN's Vasco Cotovio, Kareem Khadder and Faith Karimi contributed to this report."}

Seuraava on ennustettu tulos yhteenvedolla:

{'id': 0, 'generated_texts': ['The Palestinian Authority officially became a member of the International Criminal Court on Wednesday, a step that gives the court jurisdiction over alleged crimes in Palestinian territories.']}

Seuraava on pohjatotuuksien yhteenveto mallin arviointia varten:

{"id": 0, "highlights": "Membership gives the ICC jurisdiction over alleged crimes committed in Palestinian territories since last June .nIsrael and the United States opposed the move, which could open the door to war crimes investigations against Israelis ."}

Seuraavaksi käytämme pohjatotuutta ja ennustettuja lähtöjä mallin arvioinnissa.

Arvioi malli käyttämällä ROUGE-pisteitä¶

RED, eli Recall-Oriented Understudy for Gisting Evaluation, on joukko mittareita ja ohjelmistopaketti, jota käytetään automaattisen yhteenvedon ja konekäännösten arviointiin luonnollisen kielen käsittelyssä. Mittarit vertaavat automaattisesti tuotettua yhteenvetoa tai käännöstä viitteeksi (ihmisen tuottamaan) yhteenvetoon tai käännökseen tai viitejoukkoon.

Seuraavassa koodissa yhdistämme ennustetun ja alkuperäisen yhteenvedon yhdistämällä ne yhteisellä avaimella id ja käytä tätä laskeaksesi ROUGE-pisteet:

# Downloading the predictions
s3.download_file(
output_bucket, output_prefix + "/batch_output/" + "articles.jsonl.out", "predict.jsonl"
) with open('predict.jsonl', 'r') as json_file:
json_list = list(json_file) # Creating the prediction list for the dataframe
predict_dict_list = []
for predict in json_list:
if len(predict) > 1:
predict_dict = ast.literal_eval(predict)
predict_dict_req = {"id": predict_dict["id"], "prediction": predict_dict["generated_texts"][0]}
predict_dict_list.append(predict_dict_req) # Creating the predictions dataframe
predict_df = pd.DataFrame(predict_dict_list) test_highlights_df = pd.DataFrame(test_highlights) # Combining the predict dataframe with the original summarization on id to compute the rouge score
df_merge = test_highlights_df.merge(predict_df, on="id", how="left") rouge = evaluate.load('rouge')
results = rouge.compute(predictions=list(df_merge["prediction"]),references=list(df_merge["highlights"]))
print(results)
{'rouge1': 0.32749078992945646, 'rouge2': 0.126038645005132, 'rougeL': 0.22764277967933363, 'rougeLsum': 0.28162915746368966}

Suorita reaaliaikainen eräpäättely

Seuraavaksi näytämme, kuinka suoritat reaaliaikaisen eräpäätelmän päätepisteessä antamalla syötteet luettelona. Käytämme samaa mallitunnusta ja tietojoukkoa kuin aiemmin, paitsi että otamme testitietojoukosta muutaman tietueen ja käytämme niitä reaaliaikaisen päätepisteen kutsumiseen.

Seuraava koodi näyttää kuinka luodaan ja otetaan käyttöön reaaliaikainen päätepiste reaaliaikaista eräpäätelmää varten:

from sagemaker.utils import name_from_base
endpoint_name = name_from_base(f"jumpstart-example-{model_id}")
# deploy the Model. Note that we need to pass Predictor class when we deploy model through Model class,
# for being able to run inference through the sagemaker API.
model_predictor = model.deploy( initial_instance_count=1, instance_type=inference_instance_type, predictor_cls=Predictor, endpoint_name=endpoint_name
)

Seuraavaksi valmistelemme syöttöhyötykuorman. Tätä varten käytämme aiemmin laatimiamme tietoja ja poimimme ensimmäiset 10 testisyöttöä ja lisäämme tekstisyötteisiin hyperparametreja, joita haluamme käyttää. Tarjoamme tämän hyötykuorman reaaliajassa invoke_endpoint. Vastauksen hyötykuorma palautetaan sitten vastausluettelona. Katso seuraava koodi:

#Provide all the text inputs to the model as a list
text_inputs = [entry["text_inputs"] for entry in test_articles[0:10]] # The information about the different Parameters is provided above
payload = { "text_inputs": text_inputs, "max_length": 50, "num_return_sequences": 1, "top_k": 50, "top_p": 0.95, "do_sample": True, "batch_size": 4
} def query_endpoint_with_json_payload(encoded_json, endpoint_name):
client = boto3.client("runtime.sagemaker")
response = client.invoke_endpoint(
EndpointName=endpoint_name, ContentType="application/json", Body=encoded_json
)
return response query_response = query_endpoint_with_json_payload(
json.dumps(payload).encode("utf-8"), endpoint_name=endpoint_name
) def parse_response_multiple_texts(query_response):
model_predictions = json.loads(query_response["Body"].read())
return model_predictions generated_text_list = parse_response_multiple_texts(query_response)
print(*generated_text_list, sep='n')

Puhdistaa

Kun olet testannut päätepisteen, varmista, että poistat SageMaker-päätepäätepisteen ja poistat mallin kulujen välttämiseksi.

Yhteenveto

Tässä muistikirjassa suoritimme erämuunnoksen esitelläksemme Hugging Face Text2Text Generator -mallia yhteenvetotehtäviä varten. Erämuunnos on edullinen päätelmien saamiseksi suurista tietojoukoista ilman jatkuvaa päätepistettä. Linkitimme syöttötietueet päätelmiin tulosten tulkinnan auttamiseksi. Käytimme ROUGE-pisteitä vertaillaksemme testitietojen yhteenvetoa mallin luomaan yhteenvetoon.

Lisäksi esitimme reaaliaikaisen eräpäätelmän, jossa voit lähettää pienen erän tietoja reaaliaikaiseen päätepisteeseen saavuttaaksesi tasapainon viiveen ja suorituskyvyn välillä skenaarioissa, kuten syöttötietojen suoratoistossa. Reaaliaikainen eräpäätelmä auttaa lisäämään reaaliaikaisten pyyntöjen suorituskykyä.

Kokeile erämuunnosta SageMakerin Text2Text Generation -malleilla tänään ja kerro meille palautteesi!

Tietoja kirjoittajista

Hemant Singh on koneoppimisinsinööri, jolla on kokemusta Amazon SageMaker JumpStart- ja Amazon SageMaker -algoritmeista. Hän sai maisterinsa Courant Institute of Mathematical Sciences -instituutista ja B.Techin IIT Delhistä. Hänellä on kokemusta erilaisista koneoppimisongelmista luonnollisen kielen käsittelyn, tietokonenäön ja aikasarjaanalyysin alalla.

Rachna Chadha on AWS:n strategisten tilien pääratkaisuarkkitehti AI/ML. Rachna on optimisti, joka uskoo, että tekoälyn eettinen ja vastuullinen käyttö voi parantaa yhteiskuntaa tulevaisuudessa ja tuoda taloudellista ja sosiaalista vaurautta. Vapaa-ajallaan Rachna viettää mielellään aikaa perheensä kanssa, vaeltaa ja kuuntelee musiikkia.

Tohtori Ashish Khetan on vanhempi soveltuva tutkija, jolla on sisäänrakennetut Amazon SageMaker -algoritmit ja auttaa kehittämään koneoppimisalgoritmeja. Hän sai tohtorin tutkinnon Illinois Urbana-Champaignin yliopistosta. Hän on aktiivinen koneoppimisen ja tilastollisen päättelyn tutkija, ja hän on julkaissut monia artikkeleita NeurIPS-, ICML-, ICLR-, JMLR-, ACL- ja EMNLP-konferensseissa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
• Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
• Osta ja myy osakkeita PRE-IPO-yhtiöissä PREIPO®:lla. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/perform-batch-transforms-with-amazon-sagemaker-jumpstart-text2text-generation-large-language-models/