SageMaker Automatic Model Tuning secara otomatis memilih konfigurasi penyetelan
Amazon SageMaker Automatic Model Tuning kini dapat secara otomatis memilih rentang hyperparameter, strategi pencarian, runtime maksimum pekerjaan penyetelan, jenis penghentian awal untuk pekerjaan pelatihan, jumlah kali untuk mencoba kembali pekerjaan pelatihan, dan tanda konvergensi model untuk menghentikan pekerjaan penyetelan, berdasarkan metrik objektif yang Anda berikan. Ini meminimalkan waktu yang diperlukan bagi Anda untuk memulai proses penyetelan Anda dan meningkatkan peluang menemukan model yang lebih akurat dengan anggaran yang lebih rendah.
Memilih hyperparameter yang benar membutuhkan pengalaman dengan teknik pembelajaran mesin dan dapat secara drastis mempengaruhi kinerja model Anda. Bahkan dengan penyetelan hyperparameter, Anda masih perlu menentukan beberapa konfigurasi penyetelan, seperti rentang hyperparameter, strategi pencarian, dan jumlah pekerjaan pelatihan untuk diluncurkan. Mengoreksi pengaturan seperti itu rumit dan biasanya membutuhkan banyak eksperimen, yang dapat menimbulkan biaya pelatihan tambahan.
Mulai hari ini, Amazon SageMaker Automatic Model Tuning menyediakan autotune, konfigurasi baru yang menghilangkan kebutuhan untuk menentukan pengaturan seperti rentang hyperparameter, strategi penyetelan, atau jumlah pekerjaan yang diperlukan sebagai bagian dari definisi pekerjaan. Ini mempercepat proses eksperimen Anda dan mengurangi sumber daya yang terbuang untuk mengevaluasi konfigurasi penyetelan yang tidak optimal. Anda juga dapat meninjau dan mengganti pengaturan apa pun yang dipilih secara otomatis oleh autotune. Opsi autotune tersedia di CreateHyperParameterTuningJob API dan di HyperParameterTun er SageMaker Python SDK.
Fungsionalitas baru sekarang tersedia untuk SageMaker Automatic Model Tuning di semua Wil ayah AWS komersial. Untuk mempelajari lebih lanjut, silakan kunjungi dokumentasi teknis, panduan referensi API, posting blog atau halaman web SageMaker Automatic Model Tuning.