Veröffentlicht am: Aug 23, 2022
Amazon SageMaker Automatic Model Tuning reduziert jetzt die Startzeit jedes Trainingsjobs, der zur Optimierung deiner Modelle gestartet wird, im Durchschnitt um das 20-fache (von 2,5 Minuten auf 8 Sekunden). In Szenarien, in denen du eine große Anzahl von Hyperparameter-Auswertungen hast, kann die Wiederverwendung von Trainings-Instancen insgesamt 2 Stunden pro 50 aufeinanderfolgende Auswertungen sparen.
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 du für deine Algorithmus angibst. SageMaker Automatic Model Tuning wählt dann die optimalen Hyperparameterwerte, die zu einem Modell mit der besten Leistung führen.
Vor der Einführung benötigte jeder Trainingsjob, der im Rahmen des Tunings gestartet wurde, durchschnittlich 2,5 Minuten, um einen neuen Cluster von SageMaker-Trainings-Instances zu starten und vorzubereiten. Das kann zu einem Engpass werden, vor allem wenn das Training eines Traingsjobs nur ein paar Minuten dauert und dein Tuning-Job insgesamt verlangsamt wird. Ab heute verwendet SageMaker Automatic Model Tuning bei jedem Tuning-Job automatisch einen festen Cluster an Trainings-Instances, wodurch die durchschnittliche Startzeit jedes Trainingsjobs um das 20-fache reduziert wird.
Die wiederverwendbaren Cluster von SageMaker Automatic Model Tuning sind jetzt in allen kommerziellen AWS-Regionen verfügbar. Diese neue Funktion ist standardmäßig aktiviert, wenn du deine Tuning-Jobs startest. Weitere Informationen zu SageMaker Automated Model Tuning findest du in der technischen Dokumentation.