SageMaker Automatic Model Tuning sceglie automaticamente le configurazioni di ottimizzazione
Amazon SageMaker Automatic Model Tuning è ora in grado di scegliere automaticamente intervalli di iperparametri, strategia di ricerca, durata massima di un processo di ottimizzazione, tipo di interruzione anticipata per i lavori di formazione, numero di volte in cui riprovare un processo di formazione e contrassegno di convergenza del modello per interrompere un processo di ottimizzazione, in base alla metrica oggettiva fornita. Ciò riduce al minimo il tempo necessario per avviare il processo di ottimizzazione e aumenta le possibilità di trovare modelli più accurati con un budget inferiore.
La scelta degli iperparametri corretti richiede esperienza con le tecniche di apprendimento automatico e può influire drasticamente sulle prestazioni del modello. Anche con l'ottimizzazione degli iperparametri, è comunque necessario specificare più configurazioni di ottimizzazione, come intervalli di iperparametri, strategia di ricerca e numero di processi di formazione da avviare. La correzione di tale impostazione è complessa e in genere richiede più esperimenti, che possono comportare costi di formazione aggiuntivi.
A partire da oggi, Amazon SageMaker Automatic Model Tuning fornisce l'autotune, una nuova configurazione che elimina la necessità di specificare impostazioni come gli intervalli di iperparametri, la strategia di ottimizzazione o il numero di lavori richiesti come parte della definizione del lavoro. Ciò accelera il processo di sperimentazione e riduce lo spreco di risorse nella valutazione di configurazioni di ottimizzazione non ottimali. Puoi anche rivedere e sovrascrivere qualsiasi impostazione scelta automaticamente tramite autotune. L'opzione autotune è disponibile nell'API CreateHyperParameterTuningJob e nell'SDK HyperParameterTuner SageMaker Python.
La nuova funzionalità è ora disponibile per SageMaker Automatic Model Tuning in tutte le regioni AWS commerciali. Per saperne di più, visita la documentazione tecnica, la guida di riferimento alle API, il post del blog o la pagina web di SageMaker Automatic Model Tuning.