Publicado en: Sep 16, 2022
El ajuste automático de modelos de Amazon SageMaker le permite encontrar la versión más precisa de su modelo de machine learning mediante la búsqueda del conjunto óptimo de configuraciones de hiperparámetros. Ahora, el ajuste automático de modelos de SageMaker admite Hyperband, una nueva estrategia de búsqueda que puede encontrar el conjunto óptimo de hiperparámetros hasta tres veces más rápido que con la búsqueda bayesiana para los modelos a gran escala, como las redes neuronales profundas que abordan los problemas de visión artificial.
Antes de este lanzamiento, usted tenía la opción de ajustar sus modelos a través de la búsqueda bayesiana o aleatoria, que ejecuta cada trabajo de entrenamiento iniciado como parte del ajuste hasta su finalización completa. Hyperband es una nueva estrategia de ajuste con multifidelidad que utiliza tanto los resultados intermedios como los resultados finales de los trabajos de entrenamiento para reasignar en forma dinámica los recursos a las configuraciones de hiperparámetros prometedoras y detiene automáticamente los trabajos de entrenamiento con un rendimiento inferior al esperado. Cuando se ajustan algoritmos iterativos que publican resultados en diferentes niveles de recursos, como las redes neuronales entrenadas para varias épocas o los árboles de decisión impulsados por gradiente entrenados para varias rondas, Hyperband puede encontrar las configuraciones de hiperparámetros óptimas con una velocidad hasta tres veces mayor que con la búsqueda bayesiana y aleatoria.
La estrategia de búsqueda de Hyperband ahora está disponible para el ajuste automático de modelos de Amazon SageMaker en todas las regiones comerciales de AWS. Para obtener más información, consulte la publicación del blog o la documentación técnica del ajuste automático de modelos de Amazon SageMaker.