Veröffentlicht am: Jan 31, 2023
Die automatische Modelloptimierung von Amazon SageMaker unterstützt jetzt drei neue Abschlusskriterien, mit denen Sie Ihre Tuningaufgaben basierend auf den gewünschten Kompromissen zwischen Genauigkeit, Kosten und Laufzeit anpassen können.
Mit der automatischen Modellabstimmung von Amazon SageMaker können Sie Ihr Modell für Machine Learning (ML) optimieren, indem Sie mithilfe verschiedener Suchstrategien nach dem optimalen Satz von Hyperparameterkonfigurationen für Ihren Datensatz suchen. Vor dieser Einführung konnten Sie wählen, ob Sie entweder die maximale Anzahl an Trainingsaufgaben oder eine Zielmetrik angeben wollten, um die Tuningaufgaben durchzuführen. Wenn die Tuningaufgabe jedoch vor einer bestimmten Zeit abgeschlossen sein muss, ist es nicht einfach, zu entscheiden, wie viele Trainingsaufgaben ausgeführt werden sollen. Möglicherweise wissen Sie auch nicht, welche Zielmetrik angemessen ist, und möchten den Optimierungsvorgang lieber abschließen, sobald sich die Zielmetrik nicht mehr verbessert.
Ab heute bietet die automatische Modellabstimmung von SageMaker drei zusätzliche Abschlusskriterien für Trainingsaufgaben. Sie können jetzt MaxRuntimeInSeconds angeben, wodurch eine Tuningaufgabe nach einer bestimmten Zeit automatisch abgeschlossen wird. Um eine Tuningaufgabe zu beenden, wenn sich das beste Ziel nicht schnell genug verbessert, können Sie jetzt auch MaxNumberOfTrainingJobsNotImproving angeben. Wenn Sie sich nicht sicher sind, welche Einstellungen Sie für diese Abschlusskriterien verwenden sollen, können Sie jetzt außerdem einen CompleteOnConvergence-Parameter angeben, um die Tuningaufgabe automatisch zu beenden, wenn sich die Zielmetrik in nachfolgenden Versuchen nicht verbessert. All diese neuen Abschlusskriterien ermöglichen Ihnen, die gewünschte Ausgewogenheit zwischen Kosten, Laufzeit und Genauigkeit zu finden.
Darüber hinaus umfasst die automatische Modellabstimmung von SageMaker jetzt Informationen in der Describe-API-Antwort, um diese Abschlusskriterien zu bewerten. Dazu gehören die Gesamtlaufzeit in Sekunden, die Anzahl der Trainingsaufgaben, bei denen das Ziel bisher nicht erreicht wurde, und ein Indikator dafür, ob die Tuningaufgabe konvergierte. Diese Informationen sind unabhängig von Ihren Einstellungen für die Abschlusskriterien verfügbar, was Ihren Entscheidungsprozess vereinfacht und Ihnen hilft, zu entscheiden, wann Sie Ihre Tuningaufgaben beenden sollten.
Die neue Funktion ist jetzt für die automatische Modellabstimmung von SageMaker in allen kommerziellen AWS-Regionen verfügbar. Weitere Informationen finden Sie im API-Referenzleitfaden, in der technischen Dokumentation oder auf der Webseite zur automatischen Modellabstimmung von SageMaker.