Veröffentlicht am: Jan 24, 2023
Die automatische Modelloptimierung von Amazon SageMaker ermöglicht Ihnen, die genaueste Version Ihres Machine-Learning-Modells zu finden, indem der optimale Satz von Hyperparameterkonfigurationen ermittelt wird. Bisher konnten Sie Umgebungsvariablen für die Laufzeit Ihres Algorithmus nur in Ihren SageMaker-Trainingsaufträgen angeben, nicht jedoch in Ihren Optimierungsjobs. Ab heute haben Sie die Flexibilität, Laufzeitumgebungsvariablen für Ihre Skripte in Ihrer createTUNINGJob-API anzugeben.
Mit diesem Launch können Sie über die Umgebungsvariablen, die Sie an die createtuningJob-Anfrage übergeben, unterschiedliche Verhaltensweisen und Konfigurationen für Ihre Trainingsjobs angeben. Dies erleichtert es Ihnen auch, Ihre Trainingsjob-Definitionen wiederzuverwenden, um einen Optimierungsjob zu starten. Sie können beispielsweise von einer detaillierteren Protokollierung für all Ihre Trainingsjobs profitieren, indem Sie auf der Optimierungsebene eine Umgebungsvariable einrichten, oder Sie können die Quelle Ihrer Daten angeben und die Training-/Testaufteilung direkt über Ihre Umgebungsvariablen anpassen.
Die Möglichkeit, Umgebungsvariablen in der automatischen Modelloptimierung von SageMaker bereitzustellen, ist jetzt in allen kommerziellen AWS-Regionen verfügbar und gilt für alle Optimierungsjobs. Weitere Informationen finden Sie im API-Referenzleitfaden, in der technischen Dokumentation oder auf der Webseite der automatischen Modelloptimierung von SageMaker.