开发者都能玩转的大模型训练

本篇文章授权活动官方亚马逊云科技文章转发、改写权，包括不限于在 亚马逊云科技开发者社区, 知乎，自媒体平台，第三方开发者媒体等亚马逊云科技官方渠道

目录

• 前言
• 概念基础
• 原理核心
• 入手体验
• 体验收获
• 结束语
• 参考文献

前言

看了刚结束的亚马逊云科技 2023 re:Invent 大会，了解到Amazon SageMaker Canvas是亚马逊云科技最近刚推出的一种完全托管的机器学习服务，开发者通过Amazon SageMaker Canvas可以快速且轻松地构建、训练机器语言学习模型，最重要的是无代码界面形式的。而且基于亚马逊云科技的云服务器优势，可以直接将模型部署到线上托管环境上，非常方便，且无技术“隔阂”，无缝操作。据我所知道的，亚马逊云科技的Amazon SageMaker Canvas提供的有非常灵活的分布式训练选项，开发者可以根据自己特定的工作流程进行调整，可以在分布式环境中高效处理体量非常大的数据，而且它的使用流程非常简单，不管是人工智能领域的专家，还是刚接触人工智能领域的初学者，都可以开通即用。那么接下来就来分享一下体验Amazon SageMaker Canvas的服务，以及个人的体验感受。

概念基础

废话不多说，秉承之前的习惯，先来了解Amazon SageMaker的基础概念。根据亚马逊云科技官方的信息显示，Amazon SageMaker是一款完全托管的机器学习服务，开发人员通过Amazon SageMaker可以快速且轻松地构建和训练机器学习模型，然后结合亚马逊云科技的云服务，可以直接将模型部署到生产托管环境中。

Amazon SageMaker提供了常见的机器学习算法，根据介绍这些算法都经过了优化和完善，可以在分布式环境中高效处理非常大的数据。以及Amazon SageMaker提供灵活的分布式训练选项，开发使用者可根据自己实际的特定工作流程进行调整，适用性非常的强悍。

原理核心

接着再来看一下Amazon SageMaker的基本工作原理核心，虽然可以直接去使用体验就能知道它的工作原理，但是作为初用者，还是要去看一下亚马逊云科技官方关于Amazon SageMaker的工作原理介绍。这里引用亚马逊云科技官方关于Amazon SageMaker的工作原理介绍，可以知道Amazon SageMaker可以完成各种机器学习生命周期的任务，涵盖了数据收集、训练、部署和MLOps。由于Amazon SageMaker中的Canvas是无代码界面，我们在使用的时候可以直接访问现成的FM和预测模型，以及创建自己自定义的模型，都可以在几分钟内提取信息且生成AI输出。

Amazon SageMaker Canvas 支持 Amazon Bedrock 中的 FM以及 SageMaker JumpStart 中的公共模型 MPT等，在 Amazon SageMaker Canvas 中使用这些 FM 可以生成、提取和总结内容，以及使用现成的模型对内容进行分析和分类，从而进行情绪分析、对象检测或文档分析。通过亚马逊云科技Amazon Bedrock 的使用步骤可以知道，使用现成的模型，只需选择模型、上传数据，然后单击即可生成模型输出。

作为使用者，我们可以构建自己的自定义模型，从而进行分类、回归、预测、文本分类或图像分类，且无需编码，如果开始使用自定义模型的时候，我们可以提前导入来自不同来源的数据，选择要预测的值，会自动准备和浏览数据，以及可以通过单击几次的操作来创建 ML 模型。

入手体验

在开始体验之前，还是需要提前做一些准备工作，首先要确保有亚马逊云科技的账号，如果没有请先去注册账号并设置绑定个人信息，这里不再做详细介绍。已经有亚马逊云科技账号的情况下，就可以直接打开关于Amazon SageMaker的体验入口：Amazon SageMaker 机器学习_机器学习模型构建训练部署-AWS云服务，然后登录账号进入，如下图所示：

1、Amazon SageMaker开通并使用

登录亚马逊云科技账号之后，依然是在控制台找到或者搜索Amazon SageMaker，由于使用Amazon SageMaker Canvas之前需要先开通使用Amazon SageMaker，所以具体开通并使用的操作如下所示：

找到Amazon SageMaker服务之后，直接进入Amazon SageMaker的管理主页，进行添加实例操作，也就是直接开通使用Amazon SageMaker的设置，这里需要说明一下，在创建域的时候，需要根据自己实际来选择设置，如下所示：

然后去创建域，这里根据实际情况来设置，本文示例以单个用户来进行设置，如下所示：

点击设置按钮之后，需要等待几分钟，才能创建域，具体如下所示：

2、Amazon SageMaker Canvas开通使用

同过上面关于Amazon SageMaker的开通和使用之后，接下来就是对Amazon SageMaker Canvas的开通和使用，因为Canvas是最近的新服务，无界面的形式存在，具体操作步骤如下所示：

在Amazon SageMaker启动的时候根据想要体验的类型进行选择，这里肯定是选择Canvas，具体操作如下所示：

这里的操作示例选择的是Canvas，然后下一步，仍然需要短暂的等待，具体如下所示：

需要等待一会儿，然后就可以了。成功之后，会有所说明，如下所示：

点击立即开始按钮，直接体验，如下所示：

打开之后，显示基本信息，然后点击启动按钮即可，但是需要等数十分钟，如下所示：

等待结束之后，终于可以直接体验了，这里直接用浏览器翻译，把英文转换成汉语，如下所示：

但是目前还不支持中文输入，可以使用英文输入，这里我又把页面的汉语切换成英文，如下所示：

如果想要重新开始使用，可以直接点击左上角的新建对话，如下所示：

具体体验效果，对话如下所示：

其实还有一个对比比较的功能，如下所示：

点击比较按钮之后，显示下面的对话框，可以根据自己想要用的对比进行选择，如下所示：

这里示例我选择了切换为Dolly-3B-Instruct，如下所示：

依然是等待10分钟左右，可以切换完成。如果选择另外的，依然是上述步骤操作即可。

3、小结

以上就是笔者通过亲自上手体验，从开通Amazon SageMaker服务，到对应的具体项设置，以及体验Amazon SageMaker Canvas训练等流程的操作，完整的体验了Amazon SageMaker Canvas的使用体验，尤其是关于训练使用的体验，其他方面的内容这里不再多讲，读者如有兴趣，可以去亚马逊云科技官方文档查看。

体验收获

通过上文关于Amazon SageMaker Canvas的使用体验，作为开发者以及使用者，个人觉得Amazon SageMaker Canvas的服务功能强大，而且通过设置对应的具体才发现Amazon SageMaker服务的功能不仅很多，而且还非常的智能，尤其是在使用Canvas的时候，几乎是进行的无代码机器学习，彻底颠覆了我之前对机器学习的认知，感觉发现了“新大陆”。通过这些体验，我觉得这个Amazon SageMaker Canvas的机器学习结合数据工具，可以很好的帮助我们体验使用机器语言训练，对大家入门大语言模型有非常大的帮助。

但是任何一个服务和功能，有优点，肯定有缺点。我觉得Amazon SageMaker Canvas不管是在创建的时候，还是切换其他模型的时候，过程都有点长，我觉得作为使用者需要等待10分钟左右，是一个不太好的体验，所以我觉得亚马逊云科技官方关于Amazon SageMaker Canvas的初始化时长能否再有所缩短就更完美了，期待官方的好消息！

结束语

通过过本文的体验分享，想必读者对于亚马逊云科技的Amazon SageMaker Canvas服务已经有所掌握和了解了，还是那句话不管您是人工智能领域的大神，还是初入机器学习方向，任何开发者都可以通过使用亚马逊云科技的Amazon SageMaker Canvas都能够玩的“飞起”，尤其是刚想入门机器学习的，是一个提升自信心和相关经验的有效方式，这个服务非常的深入人心，就是好用，个人觉得大有可以引领机器学习领域的先锋。但是话又说回来了，本文关于Amazon SageMaker Canvas的分享，只是做了简单的使用体验，它的功能远不止文章中所提到的，还有很多功能需要读者自己去体验和尝试，所以想要深度使用Amazon SageMaker Canvas服务，建议读者去亚马逊云科技官网对应的Amazon SageMaker Canvas服务介绍进行了解和体验，个人觉得要想入门机器学习，使用Amazon SageMaker Canvas就足够了。

参考文献

1、亚马逊云科技Amazon SageMaker： Amazon SageMaker 机器学习_机器学习模型构建训练部署-AWS云服务

2、亚马逊云科技Amazon SageMaker Canvas：无代码机器学习 – Amazon Web Services