Publié le: Sep 16, 2022
L'ajustement automatique de modèles Amazon SageMaker permet de trouver la version la plus précise de votre modèle de machine learning en cherchant un ensemble optimal de configuration des hyperparamètres. L'ajustement automatique de modèles SageMaker prend désormais en charge Hyperband, une nouvelle stratégie de recherche qui peut trouver un ensemble d'hyperparamètres optimal jusqu'à 3 fois plus rapidement que la recherche bayésienne pour les modèles à grande échelle comme les réseaux neuronaux profonds qui règlent les problèmes de vision par ordinateur.
Avant ce lancement, vous aviez la possibilité d'ajuster vos modèles par l'intermédiaire de la recherche bayésienne ou aléatoire, qui exécute chaque tâche d'entraînement lancée dans le cadre de l'ajustement et jusqu'à l'achèvement complet. Hyperband est une nouvelle stratégie d'ajustement multi-fidélité qui utilise les résultats finaux et intermédiaires des tâches d'entraînement afin de réaffecter les ressources de manière dynamique vers les configurations d'hyperparamètres prometteuses et d'arrêter automatiquement les tâches d'entraînement sous-performantes. Lorsque vous ajustez les algorithmes itératifs qui publient des résultats pour différents niveaux de ressources, comme les réseaux neuronaux entraînés pour plusieurs époques ou les arbres décisionnels par amplification de gradients pour plusieurs cycles, Hyperband peut trouver les configurations d'hyperparamètres optimales jusqu'à trois fois plus rapidement que les recherches aléatoire et bayésienne.
La stratégie de recherche Hyperband est désormais disponible pour l'ajustement automatique des modèles Amazon SageMaker dans toutes les régions commerciales AWS. Pour en savoir plus, consultez l'article de blog ou la documentation technique sur l'ajustement automatique de modèles SageMaker.