引言
什么是Amazon Bedrock？
Amazon Bedrock是亚马逊云服务（AWS）推出的一项旗舰服务，旨在推动生成式人工智能（AI）在各行业的广泛应用。它的核心功能是提供由顶尖AI公司（如AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI以及亚马逊自身）开发的多种基础模型（Foundation Models，简称FMs）。这些模型经过优化，适用于特定的应用场景和行业需求，为各种AI应用提供了坚实的基础。
Amazon Bedrock的独特之处在于其通过单一API访问多个模型的统一方式。这大大简化了开发流程，用户无需对代码进行大量修改即可轻松与多种基础模型进行交互。此外，该服务还提供强大的定制化功能，允许用户根据特定领域或任务对预训练模型进行微调，从而提升模型的性能和准确性。
Amazon Bedrock的另一大亮点是其对先进AI技术的支持，例如检索增强生成（Retrieval Augmented Generation，简称RAG）。通过结合基于检索和生成的模型元素，RAG在自然语言处理（NLP）任务中能够生成更具上下文相关性和准确性的回应。该服务采用无服务器架构，用户无需管理复杂的基础设施，只需专注于构建AI应用。此外，Amazon Bedrock还与其他AWS服务无缝集成，确保兼容现有的基础设施、安全特性和数据管理工具。
在安全、隐私和负责任的AI实践方面，Amazon Bedrock也做出了卓越的承诺。它为用户提供了全面的控制和保护措施，以确保敏感数据的安全，并在AI开发和部署过程中遵守道德规范。
总的来说，Amazon Bedrock为组织提供了一个全面的平台，使其能够利用生成式AI的强大功能，在推动创新的同时，严格遵守安全、隐私和道德标准。
架构图
验证Bedrock模型的访问权限
-
请确认您所在的区域为美国东部（弗吉尼亚北部）us-east-1区域。
-
进入Bedrock页面，点击顶部的服务菜单，然后选择Bedrock。
-
在Bedrock页面左侧菜单中，选择“模型访问”（Model Access）。
-
向下滚动至Stability AI模型，确认您已获得该模型的访问权限。
创建 SageMaker Notebook 实例
-
确保您位于美国东部（弗吉尼亚北部）us-east-1 区域。在顶部搜索栏中搜索“Amazon SageMaker”，并进入 SageMaker 服务页面。
-
在 SageMaker 仪表板上，选择左侧菜单中的“Notebook”选项，然后点击“Notebook 实例”。
-
点击“创建 Notebook 实例”按钮。
-
配置 Notebook 实例：
- 名称：SageMakerInstance
- Notebook 实例类型：ml.t2.medium
- 平台标识符：Amazon Linux 2, Jupyter Lab 3
- IAM 角色选择：SageMakerInstanceRole
- 其他选项保持默认设置。
- 点击“创建 Notebook 实例”按钮。
-
等待状态变为“InService”，因为 Notebook 实例的创建可能需要大约 5 分钟。
-
在 Notebook 实例的操作部分，点击“打开 Jupyter”以进入 Jupyter 环境。
使用 Stable Diffusion 生成图像
在此步骤中，我们将生成一张狗的示例图片，以了解如何使用 Amazon Bedrock 服务生成图像。
-
在 JupyterLab 中点击“New”按钮，并从下拉菜单中选择
conda_python3notebook。
-
点击“Files”并使用“Rename”按钮将 notebook 重命名为
Whiz_Image_generation。
-
将以下代码粘贴到 Jupyter Notebook 提供的代码块中，以使用 Stable Diffusion 模型生成图像。
import base64 import os import random import boto3 import json prompt_data = """ A high-red 4k HDR photo of a golden retriever puppy running on a beach. Action shot, blue sky, white sand, and a big smile. Cinematic film quality. """ def main(): seed = random.randint(0, 100000) generate_image(prompt=prompt_data, seed=seed, index=0) def generate_image(prompt: str, seed: int, index: int): payload = { "text_prompts": [{"text": prompt}], "cfg_scale": 12, "seed": seed, "steps": 80, } # Create the client and invoke the model. bedrock = boto3.client(service_name="bedrock-runtime") body = json.dumps(payload) model_id = "stability.stable-diffusion-xl-v1" response = bedrock.invoke_model( body=body, modelId=model_id, accept="application/json", contentType="application/json", ) # Get the image from the response. It is base64 encoded. response_body = json.loads(response.get("body").read()) artifact = response_body.get("artifacts")[0] image_encoded = artifact.get("base64").encode("utf-8") image_bytes = base64.b64decode(image_encoded) # Save image to a file in the output directory. output_dir = "output" os.makedirs(output_dir, exist_ok=True) file_name = f"{output_dir}/generated-{index}.png" with open(file_name, "wb") as f: f.write(image_bytes) print("Image generated successfully") if __name__ == "__main__": main()
-
点击“Run”按钮运行代码。
-
成功执行后，您将收到“Image generated successfully.”（图像生成成功）的输出消息。
-
返回到根文件夹，您会看到一个名为“output”的新创建文件夹。
-
在“output”文件夹中，您将找到使用 Stable Diffusion 模型生成的图像。
-
点击图像以查看生成的图像。
总结
通过上述步骤，您已经成功使用 Amazon Bedrock 的 Stable Diffusion 模型生成了一张示例图像。这不仅展示了该服务的强大功能，也为您在未来的项目中如何运用生成式 AI 提供了实用的操作指南。无论是用于图像生成还是其他复杂的 AI 应用，Amazon Bedrock 都为开发者提供了一个灵活且易于使用的平台，助力创新。现在，您可以探索更多可能性，进一步优化和扩展您的 AI 应用。
