Publicado: Oct 26, 2022
Agora, o Ajuste Automático de Modelos do Amazon SageMaker oferece suporte a pesquisas em grade para viabilizar casos de uso que exigem reprodutibilidade de ajustes de hiperparâmetros. As pesquisas em grade cobrem todas as combinações dos valores de hiperparâmetros especificados e geram resultados de ajustes reproduzíveis.
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 para um conjunto de dados usando várias estratégias de pesquisa. Antes deste lançamento, você tinha a opção de ajustar modelos usando as estratégias de pesquisa "Random", "Bayesian" ou "Hyperband". A partir de hoje, você pode escolher a pesquisa em grade para a otimização de hiperparâmetros. Quando comparada às estratégias "Random", "Bayesian" ou "Hyperband", a pesquisa em grade determina quais regiões do espaço de pesquisas dos hiperparâmetros são as mais promissoras, explorando detalhadamente todas as combinações possíveis dos hiperparâmetros especificados. Com essas características, a pesquisa em grade é a melhor opção para casos de uso em que a reprodutibilidade de ajustes de hiperparâmetros é importante.
A pesquisa em grade já está disponível para o Ajuste Automático de Modelos do SageMaker em todas as regiões comerciais da AWS. Para saber mais, consulte a publicação do blog ou acesse a página do Ajuste Automático de Modelos do SageMaker.