目前，生成式 AI 正受到公眾的廣泛關注，人們圍繞著許多人工智能技術展開討論。很多客戶一直在詢問有關亞馬遜云科技生成式 AI 解決方案的更多信息，本文將為您進行解答。

這篇文章通過一個真實的客戶使用案例概述了生成式 AI，提供了簡明的描述并概述了生成式 AI 的優點，引用了?Amazon DeepComposer^[1] 用于創建新音樂作品的簡單易學的演示，并概述了如何使用?Amazon SageMaker JumpStart^[2] 開始部署 GPT2、Stable Diffusion 2.0 和其他生成式 AI 模型。

生成式 AI 概述

生成式 AI 是人工智能的一個特定領域，專注于生成新材料。生成式 AI 是人工智能領域最令人興奮的領域之一，有可能改變現有企業，讓全新的商業理念進入市場。您可以將生成式技術用于以下方面：

• 使用 Stable Diffusion 2.0 等模型創作新藝術作品

• 使用 GPT2、Bloom 或 Flan-T5-XL 等模型撰寫暢銷書

• 使用 Amazon?DeepComposer 中的 Transformers 技術譜寫下一曲交響樂

Amazon DeepComposer 是一款教育工具，有助于您通過音樂創作語言理解與機器學習（ML）相關的關鍵概念。要了解更多信息，請參閱使用生成式 AI 生成爵士搖滾樂曲^[3]。

Stable Diffusion、GPT2、Bloom 和 Flan-T5-XL 都是機器學習模型。這些模型只是數學算法，需要經過訓練才能識別數據中的模式。學習到模式后，這些模型就會被部署到端點上，準備進行稱為推理的過程。推理模型會輸入模型未見過的新數據，從而產生新的創造性材料。

例如，利用 Stable Diffusion 等圖像生成模型，我們只需幾個字就能創作出令人驚嘆的插圖。利用 GPT2、Bloom 和 Flan-T5-XL 等文本生成模型，我們可以從一個簡單的人類句子中生成新的文學文章，甚至是書籍。

Autodesk 是使用 Amazon SageMaker 的亞馬遜云科技客戶，Amazon SageMaker 有助于該客戶的產品設計師整理成千上萬次針對各種使用案例的視覺設計迭代，并使用機器學習來促使選擇最佳設計。具體來說，該客戶與 Edera Safety 合作，促進開發一種脊髓保護器，保護騎手在參加山地自行車等體育賽事時免受意外傷害。欲了解更多信息，請觀看視頻亞馬遜云科技機器學習實現設計優化^[4]。

要進一步了解亞馬遜云科技客戶在生成式 AI 和時尚方面的應用，請參閱使用 Amazon SageMaker 的生成式 AI 進行虛擬時尚造型^[5]。

既然我們已經了解了生成式 AI 是怎么回事，那就讓我們進入 JumpStart 演示，學習如何用人工智能生成新的文本或圖像。

先決條件

Amazon SageMaker Studio^[6]?是 SageMaker 中的集成式開發環境（IDE），可在單一管理面板中為我們提供所需的所有機器學習功能。在運行 JumpStart 之前，我們需要設置 Studio。如果您已經運行了自己的 Studio 版本，可以跳過這一步。

在使用任何亞馬遜云科技服務之前，我們需要做的第一件事就是確保已經注冊并創建了亞馬遜云科技賬戶。接下來是創建管理用戶和組。有關這兩個步驟的說明，請參閱設置 Amazon SageMaker 先決條件^[7]。

下一步是創建 SageMaker 域。域可以設置所有存儲空間，并允許添加用戶以訪問 SageMaker。有關更多信息，請參閱加入 Amazon SageMaker 域^[8]。此演示在 亞馬遜云科技區域?us-east-1?中創建。

最后，啟動 Studio。對于這篇文章，我們建議啟動一個用戶配置文件應用程序。有關說明，請參閱啟動 Amazon SageMaker Studio^[9]。

選擇 JumpStart 解決方案

現在我們進入激動人心的部分。您現在應該登錄到 Studio，看到類似于以下屏幕截圖的頁面。

在導航窗格中的?SageMaker JumpStart?下，選擇模型、notebook、解決方案。

您將看到一系列解決方案、根基模型和其他構件，這些內容有助于您開始處理特定模型或特定業務問題或使用案例。

如果您想在某個特定領域進行實驗，可以使用搜索功能。或者，您也可以直接瀏覽構件，根據自己的需要找到相關的模型或業務解決方案。

例如，如果您對欺詐檢測解決方案感興趣，請在搜索欄中輸入欺詐檢測。

如果您對文本生成解決方案感興趣，請在搜索欄中輸入文本生成。如果您想探索一系列文本生成模型，選擇?Intro to JS – Text Generation（JS 簡介 – 文本生成）Notebook 是一個不錯的起點。

讓我們深入了解一下 GPT-2 模型的具體演示。

JumpStart GPT-2 模型演示

GPT 2 是一種語言模型，有助于根據給定的提示生成類似人類的文本。我們可以使用這種類型的 Transformer 模型來創作新句子，并協助我們實現自動寫作。這可用于內容創作，如博客、社交媒體帖子和書籍。

GPT 2 模型是生成式預訓練 Transformer 系列的一部分，是 GPT 3 的前身。在撰寫本文時，GPT 3 被用作 OpenAI ChatGPT 應用程序的基礎。

要開始探索 JumpStart 中的 GPT-2 模型演示，請完成以下步驟：

1、在 JumpStart 上，搜索并選擇?GPT 2。

2、在部署模型部分中，展開部署配置。

3、對于?SageMaker 托管實例，請選擇您的實例（在這篇文章中，我們使用 ml.c5.2xlarge）。

不同類型的機器附帶不同的價位。在撰寫本文時，我們選擇的 ml.c5.2xlarge 每小時產生的費用不到 0.50 美元。有關最新定價，請參閱?Amazon SageMaker 定價^[10]。

4、對于端點名稱，輸入 demo-hf-textgeneration-gpt2。

5、選擇?Deploy（部署）。

等待機器學習端點部署完成（最長 15 分鐘）。

6、部署端點后，選擇打開 Notebook。

您會看到一個類似于以下屏幕截圖的頁面。

我們用于演示的文檔是一個 Jupyter notebook，其中包含所有必要的 Python 代碼。請注意，此屏幕截圖中的代碼可能與您的代碼略有不同，因為亞馬遜云科技會不斷更新這些 notebook，確保它們安全、無缺陷并提供最佳客戶體驗。

7、單擊第一個單元格，然后按?Ctrl+Enter?運行代碼塊。

代碼塊左側出現星號（*），然后變成數字。星號表示代碼正在運行，數字出現時表示代碼已完成

8、在下一個代碼塊中，輸入一些示例文本，然后按?Ctrl+Enter。

9、在第三個代碼塊中，按?Ctrl+Enter?即可運行該代碼塊。

大約 30-60 秒后，您將看到推理結果。

對于輸入文本“?Once upon a time there were 18 sandwiches,?”，我們會得到以下生成的文本：

Once upon a time there were 18 sandwiches, four plates with some salad, and three sandwiches with some beef.One restaurant was so nice that the food was made by hand.There were people living at the beginning of the time who were waiting so that

左滑查看更多

對于輸入文本“?And for the final time Peter said to Mary,?”，我們會得到以下生成的文本：

And for the final time Peter said to Mary that he was a saint.11 But Peter said that it was not a blessing, but rather that it would be the death of Peter.And when Mary heard of that Peter said to him,

左滑查看更多

您可以嘗試多次運行第三個代碼塊，您會發現模型每次都會做出不同的預測。

要使用一些高級功能定制輸出，請向下滾動到第四個代碼塊進行實驗。

要了解有關文本生成模型的更多信息，請參閱在 Amazon SageMaker JumpStart 上使用 Bloom 和 GPT 模型運行文本生成^[11]。

清理資源

在我們繼續之前，別忘了在完成后刪除端點。在上一個選項卡中的刪除端點下，選擇刪除。

如果您不小心關閉了此 notebook，也可以通過 SageMaker 控制臺刪除端點。在導航窗格的推理下，選擇端點。

選擇您使用的端點，然后在操作菜單上選擇刪除。

現在我們已經了解了如何使用第一個 JumpStart 解決方案，讓我們來看看如何使用 Stable Diffusion 模型。

JumpStart Stable Diffusion 模型演示

我們可以使用 Stable Diffusion 2 模型從一行簡單的文本生成圖像。這可用于為社交媒體帖子、宣傳材料、專輯封面或任何需要創意插圖的內容生成圖像。

1、返回 JumpStart，然后搜索并選擇?Stable Diffusion 2。

2、在部署模型部分中，展開部署配置。

3、對于?SageMaker 托管實例，請選擇您的實例（在這篇文章中，我們使用 ml.g5.2xlarge）。

4、對于端點名稱，輸入 ?demo-stabilityai-stable-diffusion-v2?。

5、選擇?Deploy（部署）。

由于該模型較大，部署時間可能長達 25 分鐘。準備就緒后，端點狀態顯示為服務中。

6、選擇打開 Notebook?以打開包含 Python 代碼的 Jupyter notebook。

7、運行第一個和第二個代碼塊。

8、在第三個代碼塊中，更改文本提示，然后運行該單元格。

等待大約 30-60 秒，圖像就會出現。下圖基于我們的示例文本。

同樣，您可以在下一個代碼塊中使用高級功能。所創造的畫面每次都不一樣。

清理資源

同樣，別忘了刪除端點。這次我們使用的是 ml.g5.2xlarge，因此產生的費用比以前略高。在撰寫本文時，每小時只需 1 美元多一點。

最后，讓我們來看看 Amazon DeepComposer。

Amazon DeepComposer

Amazon DeepComposer 是學習生成式 AI 的好方法。此服務允許您使用模型中的內置旋律來生成新形式的音樂。您使用的模型決定了輸入旋律的轉換方式。

如果您習慣于參加?Amazon DeepRacer^[12]?日活動來協助員工了解強化學習，那么可以考慮使用 Amazon DeepComposer 來增強和強化這一天的活動，以了解生成式 AI。

有關本文中三個模型的詳細解釋和簡單演示，請參閱使用生成式 AI 生成爵士搖滾樂曲^[3]。

查看以下使用 Amazon DeepComposer 上傳到 SoundCloud 的精彩示例^[13]。

總結

在這篇文章中，我們談到了生成式 AI 的定義，并通過一個亞馬遜云科技客戶案例進行了說明。然后，我們向您介紹了如何開始使用 Studio 和 JumpStart，并向您展示了如何開始使用 GPT 2 和 Stable Diffusion 模型。最后，我們簡要概述了 Amazon DeepComposer。

要進一步探索 JumpStart，請嘗試使用自己的數據對現有模型進行微調。有關更多信息，請參閱使用 Amazon SageMaker JumpStart 進行增量訓練^[14]。有關微調 Stable Diffusion 模型的信息，請參閱使用 Amazon SageMaker JumpStart 微調文本到圖像的 Stable Diffusion 模型^[15]。

要了解有關 Stable Diffusion 模型的更多信息，請參閱在 Amazon SageMaker JumpStart 上使用 Stable Diffusion 模型從文本生成圖像^[16]。

我們沒有介紹任何有關 Flan-T5-XL 模型的信息，因此要了解更多信息，請參閱以下?GitHub 存儲庫^[17]。Amazon SageMaker Examples^[18]?存儲庫還包括 GitHub 上一系列可用的 notebook，適用于包括 JumpStart 在內的各種 SageMaker 產品，涵蓋一系列不同的使用案例。

要通過一系列免費數字資產了解有關亞馬遜云科技機器學習的更多信息，請查看我們的?亞馬遜云科技機器學習提升指南^[19]。您還可以嘗試我們的免費?ML 學習計劃^[20]，在現有知識的基礎上再接再厲，或者有一個明確的起點。要參加講師指導的課程，我們強烈推薦以下課程：

• Practical Data Science with Amazon SageMaker^[21]

• The Machine Learning Pipeline on Amazon^[22]

• Amazon SageMaker Studio for Data Scientists^[23]

在人工智能/機器學習領域，這確實是一個激動人心的時刻。亞馬遜云科技隨時為您的機器學習之旅提供支持，因此請在社交媒體上與我們聯系。我們期待看到您在未來幾個月中使用各種機器學習服務進行學習、實驗并從中獲得樂趣，我們也很高興有機會成為您機器學習之旅的指導員。

附錄

• [1] Amazon DeepComposer:

  https://aws.amazon.com/cn/deepcomposer/

• [2] Amazon SageMaker JumpStart:

  https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html

• [3] 使用生成式 AI 生成爵士搖滾樂曲:

  https://aws.amazon.com/blogs/machine-learning/generate-a-jazz-rock-track-using-generative-artificial-intelligence/

• [4] 亞馬遜云科技機器學習實現設計優化

  https://youtu.be/dZ_b7FJM2-0

• [5]?使用 Amazon SageMaker 的生成式 AI 進行虛擬時尚造型：

  https://aws.amazon.com/blogs/machine-learning/virtual-fashion-styling-with-generative-ai-using-amazon-sagemaker/

• [6]?Amazon SageMaker Studio?:

  https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html

• [7] 設置?Amazon SageMaker?先決條件:

  https://docs.aws.amazon.com/sagemaker/latest/dg/gs-set-up.html

• [8]?加入?Amazon SageMaker?域:

  https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html

• [9]?啟動?Amazon SageMaker Studio:

  https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launch.html

• [10] Amazon SageMaker?定價:

  https://aws.amazon.com/sagemaker/pricing/

• [11]?在?Amazon SageMaker JumpStart?上使用?Bloom?和?GPT?模型運行文本生成:

  https://aws.amazon.com/blogs/machine-learning/run-text-generation-with-gpt-and-bloom-models-on-amazon-sagemaker-jumpstart/

• [12]?Amazon DeepRacer?:

  https://aws.amazon.com/deepracer/

• [13]?精彩示例:

  https://soundcloud.com/digitalcolmer

• [14]?使用?Amazon SageMaker JumpStart?進行增量訓練:

  https://aws.amazon.com/blogs/machine-learning/incremental-training-with-amazon-sagemaker-jumpstart/

• [15]?使用?Amazon SageMaker JumpStart?微調文本到圖像的?Stable Diffusion?模型:

  https://aws.amazon.com/blogs/machine-learning/fine-tune-text-to-image-stable-diffusion-models-with-amazon-sagemaker-jumpstart/

• [16]?在?Amazon SageMaker JumpStart?上使用?Stable Diffusion?模型從文本生成圖像:

  https://aws.amazon.com/blogs/machine-learning/generate-images-from-text-with-the-stable-diffusion-model-on-amazon-sagemaker-jumpstart/

• [17]?GitHub?存儲庫:

  https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart-foundation-models/text2text-generation-flan-t5.ipynb

• [18]?Amazon SageMaker Examples:

  https://github.com/aws/amazon-sagemaker-examples

• [19]?亞馬遜云科技機器學習提升指南:

  https://d1.awsstatic.com/training-and-certification/ramp-up_guides/Ramp-Up_Guide_Machine_Learning.pdf

• [20]?ML?學習計劃:

  https://aws.amazon.com/training/learn-about/machine-learning/

• [21]?Practical Data Science with Amazon SageMaker:

  https://aws.amazon.com/training/classroom/practical-data-science-with-amazon-sagemaker/?ct=sec&sec=rolesol

• [22]?The Machine Learning Pipeline on Amazon:

  https://aws.amazon.com/training/classroom/the-machine-learning-pipeline-on-aws/?ct=sec&sec=rolesol

• [23]?Amazon SageMaker Studio for Data Scientists?:

  https://aws.amazon.com/training/classroom/amazon-sagemaker-studio-for-data-scientists/?ct=sec&sec=rolesol

上下滑動內容

• 原文鏈接:?

  https://aws.amazon.com/blogs/machine-learning/get-started-with-generative-ai-on-aws-using-amazon-sagemaker-jumpstart/

本篇作者

Paul Colmer?

亞馬遜云科技高級技術培訓師，專門研究機器學習和生成式 AI。他熱衷于通過引人入勝的故事講述、經驗分享和知識傳授，協助客戶、合作伙伴和員工發展和成長。他在 IT 行業從業超過 25 年，專注于敏捷文化實踐和機器學習解決方案。Paul 是倫敦音樂學院院士和英國計算機協會的會員。

星標不迷路，開發更極速！

關注后記得星標「亞馬遜云開發者」

聽說，點完下面4個按鈕

就不會碰到bug了！