Publicado: Sep 16, 2022
O Ajuste Automático de Modelos do Amazon SageMaker permite que você encontre a versão mais precisa de um modelo de machine learning, localizando o conjunto ideal de configurações de hiperparâmetros. Agora, o Ajuste Automático de Modelos do SageMaker oferece suporte ao Hyperband, uma nova estratégia de pesquisa que pode encontrar o conjunto ideal de hiperparâmetros até três vezes mais rápido que a pesquisa bayesiana para modelos de grande escala, como redes neurais profundas que lidam com problemas de visão computadorizada.
Antes deste lançamento, você podia ajustar modelos usando pesquisas aleatórias ou bayesianas, que executam cada trabalho de treinamento do ajuste até a conclusão. A Hyperband é uma nova estratégia de ajustes multifidelidade que usa resultados intermediários e finais de trabalhos de treinamento para realocar dinamicamente os recursos para configurações de hiperparâmetros promissores e interrompe automaticamente trabalhos de treinamento com performance abaixo da esperada. Quando treina algoritmos iterativos que publicam resultados para diferentes níveis de recursos, como redes neurais treinadas para várias épocas ou árvores de decisão reforçadas por gradiente treinadas para várias rodadas, a Hyperband pode encontrar as configurações ideais de hiperparâmetros até três vezes mais rápido que as pesquisas aleatórias ou bayesianas.
A estratégia de pesquisa Hyperband está disponível para o Ajuste Automático de Modelos do Amazon SageMaker em todas as regiões comerciais da AWS. Para saber mais, consulte a publicação de blog ou a documentação técnica do Ajuste Automático de Modelos do Amazon SageMaker.