Publié le: Jun 6, 2023
Amazon SageMaker Automatic Model Tuning est désormais en mesure de choisir automatiquement des plages d'hyperparamètres, une stratégie de recherche, la durée maximale d'une tâche de réglage, le type d'arrêt anticipé pour les tâches de formation, le nombre de tentatives pour une tâche de formation et l'indicateur de convergence du modèle pour arrêter une tâche de réglage, en fonction de la métrique objective que vous fournissez. Cela réduit le temps nécessaire pour démarrer votre processus de réglage et augmente les chances de trouver des modèles plus précis avec un budget réduit.
Le choix des hyperparamètres appropriés nécessite de l'expérience avec les techniques de machine learning et peut affecter considérablement les performances de votre modèle. Même avec le réglage des hyperparamètres, vous devez toujours spécifier plusieurs configurations de réglage, telles que les plages d'hyperparamètres, la stratégie de recherche et le nombre de tâches de formation à lancer. La correction d'un tel paramètre est complexe et nécessite généralement plusieurs expériences, ce qui peut entraîner des coûts de formation supplémentaires.
À compter d'aujourd'hui, Amazon SageMaker Automatic Model Tuning ajoute l’option autotune, une nouvelle configuration qui élimine le besoin de spécifier des paramètres tels que les plages d'hyperparamètres, la stratégie de réglage ou le nombre de tâches requises dans le cadre de la définition de la tâche. Cela accélère votre processus d'expérimentation et réduit le gaspillage de ressources lors de l'évaluation de configurations de réglage sous-optimales. Vous pouvez également vérifier et remplacer tous les paramètres sélectionnés automatiquement par le réglage automatique. L'option autotune est disponible dans l'API CreateHyperParameterTuningJob et dans le kit SDK Python HyperparameterTuner SageMaker.
La nouvelle fonctionnalité est maintenant disponible pour SageMaker Automatic Model Tuning dans toutes les régions AWS commerciales. Pour en savoir plus, consultez la documentation technique, le guide de référence de l'API, l’article de blog ou la page web dédiée à SageMaker Automatic Model Tuning.