Veröffentlicht am: Aug 9, 2022
Amazon SageMaker Automatic Model Tuning unterstützt jetzt die Angabe mehrerer alterantiver SageMaker-Training-Instance-Typen, damit Tuning-Jobs robuster sind, wenn der bevorzugte Instance-Typ aufgrund unzureichender Kapazität nicht verfügbar ist.
SageMaker Automatic Model Tuning findet die beste Version eines Modells, indem viele Trainingsjobs für den Datensatz mithilfe der angegebenen Bereiche der Hyperparameter ausgeführt werden, die Sie für Ihren Algorithmus angeben. Dann werden die optimalen Hyperparameterwerte gewählt, die zum Modell mit der besten Leistung führen, wie von einer von Ihnen gewählten Metrik gemessen.
Zuvor konnten Sie bei der Erstellung von SageMaker Automatic Model Tuning-Jobs nur einen SageMaker Trainings-Instance-Typen definieren. Wenn die Kapazität für diesen Instance-Typ unzureichend war, bedeutete dies eine erhöhte Job-Laufzeit und die hohe Wahrscheinlichkeit eines fehlgeschlagenen Tuning-Jobs. Dies war insbesondere deshalb nicht wünschenswert, da bei dem Hyperparameter-Tuning mehrere und potenziell langlaufende Training-Jobs ausgeführt werden, die bei Ausfällen neu gestartet werden müssten. Mit diesem Launch können Sie nun bis zu 5 zusätzliche alternative Instance-Typen in Ihrer bevorzugten Reihenfolge angeben, damit der Hyperparameter-Tuning-Job im Falle unzureichender Kapazitäten automatisch auf den nächsten alternativen Instance-Typen zurückfallen kann. Damit werden Tuning-Jobs resilienter gegenüber Szenarien mit unzureichender Kapazität und ermöglichen das Tuning von Modellen ohne erhöhte Laufzeiten oder Ausfälle aufgrund einer geringen Verfügbarkeit bestimmter SageMaker-Trainings-Instances.
Die Möglichkeit, mehrere alternative Instance-Typen in SageMaker Automatic Model Tuning anzugeben, ist nun in allen kommerziellen AWS-Regionen verfügbar. Mehr erfahren Sie im API-Referenzhandbuch und der technischen Dokumentation.