Publicado en: Apr 4, 2019
Amazon SageMaker, un servicio completamente administrado que crea, entrena e implementa modelos de aprendizaje automático, ahora admite búsquedas aleatorias como estrategia de ajuste y múltiples opciones de escalado de hiperparámetros cuando utiliza el ajuste de modelo automático.
Si los clientes utilizan la búsqueda aleatoria con el ajuste de modelo automático, obtendrán resultados más rápidos, ya que ejecutan todas las pruebas de ajuste simultáneamente gracias a una selección aleatoria de combinaciones de hiperparámetros en el espacio de búsqueda en vez de aplicar el enfoque iterativo que se usa de manera predeterminada. Si bien ambos métodos producen un modelo extremadamente preciso, es posible que la búsqueda aleatoria no tenga el mismo nivel de precisión que la opción predeterminada. Por lo tanto, los clientes deben usar la búsqueda aleatoria cuando la velocidad sea más importante que la precisión.
Amazon SageMaker también ha incorporado la opción de utilizar los métodos de escalado de hiperparámetros de escalado de registros y escalado de registros inverso durante el ajuste de modelo automático. De manera predeterminada, SageMaker realiza una distribución uniforme de los valores de los hiperparámetros y utiliza un escalado linear para seleccionar los valores en un rango de búsqueda. No obstante, este puede no ser el enfoque más eficaz para algunos tipos de hiperparámetros, como una tasa de aprendizaje cuyo valor normal abarca múltiples órdenes de magnitud y no está distribuida de manera uniforme. Los clientes pueden utilizar SageMaker para determinar automáticamente el método de escalado o seleccionarlo manualmente para ajustar cada uno de los hiperparámetros.
La búsqueda aleatoria y el escalado automático de los hiperparámetros en el ajuste de modelo automático están disponibles en todas las regiones de AWS en las que Amazon SageMaker se encuentra disponible hoy. Para obtener más información, consulte el blog vinculado aquí.