Veröffentlicht am: Jun 2, 2022
Amazon SageMaker JumpStart unterstützt jetzt die Modellabstimmung mit der automatischen Modelloptimierung von SageMaker anhand des vortrainierten Modells, der vorgefertigten Lösungsvorlagen und der Beispielnotizbücher. Kunden können also ihre Machine-Learning-Modelle automatisch so abstimmen, dass sie die Hyperparameterwerte mit der höchsten Genauigkeit innerhalb des vom Kunden über SageMaker-API angegebenen Bereichs finden.
SageMaker JumpStart ermöglicht es Kunden, eine breite Palette an vortrainierten Modellen für gängige ML-Aufgaben sowie eine Auswahl an End-to-End-Lösungen für gängige Geschäftsaufgaben zu optimieren und einzusetzen. Diese Funktionen nehmen jedem Schritt des ML-Prozesses die schwere Arbeit ab, erleichtern die Entwicklung hochwertiger Modelle und verkürzen die Zeit bis zur Bereitstellung. Kunden können mit wenigen Klicks über APIs im Notebook und die Benutzeroberfläche in SageMaker Studio auf JumpStart zugreifen.
Durch die Integration mit der automatischen Modelloptimierung von SageMaker enthalten die Beispielnotizbücher der JumpStart-API jetzt einen Schritt, um die beste Version des Modells zu finden. Dazu werden Trainingsaufträge auf dem bereitgestellten Datensatz mit mehreren Hyperparameter-Konfigurationen ausgeführt. Dadurch wird die Zeit für die Modellabstimmung verkürzt, da automatisch nach der besten Hyperparameterkonfiguration innerhalb der Standard-Hyperparameterbereiche oder der von Ihnen festgelegten Bereiche gesucht wird.
Weitere Informationen zur automatischen Modelloptimierung von SageMaker finden Sie in der Dokumentation. Um mit SageMaker JumpStart zu beginnen, besuchen Sie die Erste-Schritte-Seite und den API-Release-Blog.