Publié le: Jan 24, 2023
L'ajustement automatique des modèles SageMaker permet de trouver la version la plus précise de votre modèle de machine learning en cherchant un ensemble optimal de configuration des hyperparamètres. Auparavant, vous pouviez uniquement spécifier des variables d'environnement pour l'exécution de votre algorithme dans vos tâches d'entraînement SageMaker, mais pas dans vos tâches d'ajustement. À compter d'aujourd'hui, vous pouvez spécifier des variables d'environnement d'exécution pour vos scripts dans votre API CreateTuningJob.
Grâce à cette nouveauté, vous pouvez spécifier différents comportements et différentes configurations pour vos tâches d'entraînement à l'aide des variables d'environnement que vous transmettez dans la requête CreateTuningJob. Cela vous permet également de réutiliser plus facilement les définitions de vos tâches d'entraînement pour démarrer une tâche d'ajustement. Par exemple, vous pouvez bénéficier d'une journalisation plus précise pour toutes vos tâches d'entraînement en configurant une variable d'environnement au niveau de l'ajustement, ou encore spécifier la source de vos données et personnaliser la répartition entraînement/test directement entre vos variables d'environnement.
La possibilité de fournir des variables d'environnement dans l'outil d'ajustement automatique des modèles SageMaker est désormais disponible dans toutes les régions commerciales AWS et peut s'appliquer à toutes les tâches d'ajustement. Pour en savoir plus, consultez le guide de référence de l'API, la documentation technique ou la page web relative à l'ajustement automatique des modèles SageMaker.