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：SageMakerInstanceNotebook 实例类型：ml.t2.medium平台标识符：Amazon Linux 2, Jupyter Lab 3IAM 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 <code>conda_python3 notebook。

点击“Files”并使用“Rename”按钮将 notebook 重命名为 <code>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。

<code>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")code>

body = json.dumps(payload)

model_id = "stability.stable-diffusion-xl-v1"

response = bedrock.invoke_model(

body=body,

modelId=model_id,

accept="application/json",code>

contentType="application/json",code>

)

# 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