Veröffentlicht am: Apr 4, 2019
Amazon SageMaker, ein vollständig verwalteter Dienst zum Erstellen, Trainieren und Bereitstellen von Modellen für Machine Learning, unterstützt jetzt die Zufallssuche als Optimierungsstrategie und mehrere Hyperparameter-Skalierungsoptionen bei der Verwendung der automatischen Modelloptimierung.
Die Verwendung der Zufallssuche mit automatischer Modelloptimierung ermöglicht es Kunden, schnellere Ergebnisse zu erzielen, indem sie alle Optimierungsversuche durch die zufällige Auswahl von Hyperparameterkombinationen im Suchraum gleichzeitig durchführen und nicht den standardmäßig verwendeten iterativen Ansatz verwenden. Beide Methoden können zwar ein hochgenaues Modell erzeugen, es ist aber möglich, dass die Zufallssuche nicht die gleiche Genauigkeit wie die Standardeinstellung liefert. Daher sollten Kunden die Zufallssuche implementieren, wenn die Geschwindigkeit wichtiger ist als das Erreichen der höchstmöglichen Genauigkeit.
Amazon SageMaker hat auch die Option eingeführt, während der automatischen Modelloptimierung die Protokollskalierung und die Hyperparameterskalierung mit umgekehrter Protokollskalierung zu verwenden. Standardmäßig geht SageMaker von einer gleichmäßigen Verteilung der Hyperparameterwerte aus und verwendet eine lineare Skalierung, um Werte in einem Suchbereich auszuwählen. Dies ist jedoch möglicherweise nicht der effektivste Ansatz für einige Arten von Hyperparametern, wie beispielsweise eine Lernrate, deren typischer Wert mehrere Größenordnungen umfasst und nicht gleichmäßig verteilt ist. Kunden können sich entweder darauf verlassen, dass SageMaker die Skalierungsmethode für jeden zu optimierenden Hyperparameter automatisch bestimmt, oder der Kunde kann sie manuell auswählen.
Zufallssuche und automatische Skalierung von Hyperparametern in der automatischen Modelloptimierung sind in allen AWS-Regionen verfügbar, in denen Amazon SageMaker derzeit verfügbar ist. Weitere Informationen finden Sie hier im zugehörigen Blog.