基于Amazon Bedrock_构建生成式 AI 应用_亞馬遜 bedrock workshop

前言

随着生成式人工智能（AIGC）技术的蓬勃发展，技术创作者们再次涌入一个充满挑战与机遇的新领域。Amazon Bedrock 是一个专为创新者设计的平台，它提供了构建生成式人工智能应用程序所需的一切工具和资源。无论您的技术背景如何，Amazon Bedrock 都能让您快速上手并体验到最新的生成式人工智能技术。对于AI新手和希望提升技能的专家来说，Amazon Bedrock 都是一个强大的助力。
今天我们就来一场酣畅淋漓的手把手教程， 让我们快速轻松的感受生成式人工智能的构建

登录Amazon Bedrock

点击链接 如下图所示点击开始实验

进入操作页面开启生成式ai 之旅吧！！

Meta Liama2 模型快速体验

模型这里我们选择 Meta => LIama2 Chat 70B 吞吐量 按需即可

选择完成之后 点击应用

效果演示

当我们点击应用之后 效果如下

名词解释

项目工程介绍

效果演示

我提出的问题是 ： JavaScript 中如和理解闭包

回复如下：

对于代码解释看起来还是有点东西的哦！！

Meta Llama 2 API的调用

打开 Amazon Cloud9 实验环境

打开控制台，搜索Cloud9, 点击进入

创建环境

设置环境详细信息

1. 设置名称为 bedrock
2. 设置实例类型 t3.small
3. 平台 Ubuntu Server 22.04 LTS
4. 超时 30 分钟

温馨提示：

1. 实验环境中仅限选择Cloud9 EC2实例为 t3.small (2 GiB RAM + 2 vCPU)
2. 基于不浪费的原则，创建Cloud9的时候，超时时间只能选择默认的30分钟的选项，且Cloud9实例数量也将自动审核，如果发现异常会关闭Cloud9实例，甚至封禁账号，务必注意文明实验

熟悉 Amazon Cloud9 实验环境

首次进入 Cloud9 实验环境中需要等待加载

在Amazon Cloud9 IDE中，选择 终端
在终端中输入如下命令

cd ~/environment/
curl 'https://dev-media.amazoncloud.cn/doc/workshop.zip' --output workshop.zip
unzip workshop.zip

1
2
3
4

等待解压完成

查看对应的文件目录

继续使用 终端，安装实验所需的环境依赖项

pip3 install -r ~/environment/workshop/setup/requirements.txt -U

1
2

编写调用 Meta Llama 2 API 应用

请求参数

返回参数

{
    "generation": "\n\n<response>",
    "prompt_token_count": int,
    "generation_token_count": int,
    "stop_reason" : string
}

1
2
3
4
5
6
7

参数说明说明

操作流程讲解

1. 打开workshop/labs/api文件夹，打开文件bedrock_api.py

2. 导入依赖语句允许我们使用Amazon boto3库来调用Amazon Bedrock

import json
import boto3

1
2
3

3. 初始化Bedrock客户端库，创建一个Bedrock客户端

session = boto3.Session()
bedrock = session.client(service_name='bedrock-runtime') #初始化Bedrock客户端库

1
2
3

4. 编写API调用代码
   我们将确定要使用的模型、提示和指定模型的推理参数。

bedrock_model_id = "meta.llama2-70b-chat-v1" #设置模型 
prompt = "说一下冒泡排序的原理？"  #提示词
body = json.dumps({
    "prompt": prompt, 
    "max_gen_len": 2048,
    "temperature":0.5,
    "top_p":0.9
}) 

1
2
3
4
5
6
7
8
9

5. 使用Amazon Bedrock的invoke_model函数进行调用

response = bedrock.invoke_model(body=body, modelId=bedrock_model_id, accept='application/json', contentType='application/json') #发送调用请求

1
2

6. 从模型的响应JSON中提取并打印返回的文本

response_body = json.loads(response.get('body').read()) 
response_text=response_body['generation'] #从 JSON 中返回相应数据
print(response_text)

1
2
3
4

7. 保存文件，并准备运行脚本

cd ~/environment/workshop/labs/api
python bedrock_api.py

1
2
3

8 运行结果如下

完整代码

import json
import boto3
session = boto3.Session()
bedrock = session.client(service_name='bedrock-runtime') #初始化Bedrock客户端库
bedrock_model_id = "meta.llama2-70b-chat-v1" #设置模型 
prompt = "说一下冒泡排序的原理？"  #提示词
body = json.dumps({
    "prompt": prompt, 
    "max_gen_len": 2048,
    "temperature":0.5,
    "top_p":0.9
}) 
response = bedrock.invoke_model(body=body, modelId=bedrock_model_id, accept='application/json', contentType='application/json') #发送调用请求
response_body = json.loads(response.get('body').read()) 
response_text=response_body['generation'] #从 JSON 中返回相应数据
print(response_text)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

是不是很简单呢

总结

随着生成式人工智能的逐渐火爆， 期待小伙伴们也快快的加入进来体验一番吧！！