Veröffentlicht am: May 7, 2021
Amazon SageMaker Automatic Model Tuning ermöglicht es, die beste Version eines Modells zu finden, indem der optimale Satz von Hyperparametern für Ihren Datensatz ermittelt wird. Ab heute unterstützt SageMaker Automatic Model Tuning jetzt die Ausführung von bis zu 100 parallelen Trainingsaufgaben für die Hyperparameter-Tuning, was Ihnen eine 10-fache Steigerung der parallelen Trainingsaufgaben ermöglicht, so dass Sie Ihr Tuning schneller abschließen können. Zusätzlich unterstützt SageMaker Automatic Model Tuning für die Suchstrategie "Random" jetzt die Durchsuchung von bis zu 10.000 Hyperparameterkonfigurationen, was eine 20-fache Steigerung gegenüber der vorherigen Grenze von 500 darstellt und es Ihnen ermöglicht, die Abdeckung des Suchraums zu verbessern, was zu einer potenziell besseren Prognoseleistung Ihres Modells führt.
Die parallele Ausführung mehrerer Trainingsaufgaben ist bei der Suchstrategie "Random" zu bevorzugen, da sie die Bearbeitungszeit reduziert, ohne die Prognoseleistung der Modelle zu beeinträchtigen. Bei der "Bayesichen" Suchstrategie profitiert man möglicherweise davon, mehr Hyperparameterkombinationen zu prüfen, wenn man die Anzahl der parallelen Trainingsaufgaben erhöht, um den Kompromiss zwischen Bearbeitungszeit, Prognoseleistung und Gesamtkosten zu verwalten.
Erhöhte Grenzwerte für Amazon SageMaker Automatic Model Tuning sind jetzt auf Anfrage in allen bestehenden Regionen verfügbar, in denen SageMaker Automatic Model Tuning verfügbar ist, außer AWS GovCloud. Erste Schritte mit SageMaker sind die Anfrage einer Grenzwerterhöhung über das AWS Support Center oder das Lesen unserer Dokumentation, um mehr über SageMaker Automatic Model Tuning zu erfahren.