Publicado: Apr 4, 2019
Agora, o Amazon SageMaker, um serviço gerenciado para criar, treinar e implantar modelos de Machine Learning, oferece suporte à pesquisa aleatória como uma estratégia de ajuste e a várias opções de escalabilidade de hiperparâmetros por meio do ajuste automático de modelos.
O uso de pesquisa aleatória com o ajuste automático de modelos permite que os clientes alcancem resultados mais rápidos executando simultaneamente todos os testes de ajuste por meio da seleção aleatória de combinações de hiperparâmetros no espaço de busca, em vez da abordagem iterativa utilizada por padrão. Embora os dois métodos possam produzir um modelo altamente preciso, a pesquisa aleatória pode não produzir o mesmo nível de precisão que o método padrão. Portanto, os clientes devem implementar a pesquisa aleatória quando a velocidade é mais importante que a obtenção da maior precisão possível.
O Amazon SageMaker também introduziu a opção de usar os métodos de escalabilidade de hiperparâmetros por escalabilidade logarítmica e escalabilidade logarítmica inversa durante o ajuste automático de modelos. Por padrão, o SageMaker supõe uma distribuição uniforme de valores de hiperparâmetros e usa escalabilidade linear para selecionar valores em um intervalo de pesquisa. No entanto, essa abordagem pode não ser a mais eficaz para alguns tipos de hiperparâmetros, como uma taxa de aprendizagem com um valor típico que abrange várias ordens de grandeza e não é distribuída uniformemente. Os clientes podem confiar no SageMaker para determinar automaticamente o método de escalabilidade ou selecioná-lo manualmente para cada hiperparâmetro a ser ajustado.
A pesquisa aleatória e a escalabilidade automática de hiperparâmetros no ajuste automático de modelos estão disponíveis em todas as regiões da AWS em que o Amazon SageMaker é oferecido hoje. Para obter mais informações, acesse o blog relacionado aqui.