Автоматическая настройка модели SageMaker автоматически выбирает конфигурации настройки
Amazon SageMaker Automatic Model Tuning теперь может автоматически выбирать диапазоны гиперпараметров, стратегию поиска, максимальное время выполнения задания по настройке, тип досрочной остановки учебных заданий, количество повторных попыток выполнения учебного задания и флаг конвергенции моделей для остановки задания по настройке на основе предоставленной вами объективной метрики. Это сводит к минимуму время, необходимое для начала процесса настройки, и повышает шансы найти более точные модели с меньшим бюджетом.
Выбор правильных гиперпараметров требует опыта работы с методами машинного обучения и может существенно повлиять на производительность модели. Даже при настройке гиперпараметров вам все равно нужно указать несколько конфигураций настройки, таких как диапазоны гиперпараметров, стратегию поиска и количество учебных заданий для запуска. Исправление такой настройки сложно и обычно требует нескольких экспериментов, что может повлечь за собой дополнительные расходы на обучение.
Начиная с сегодняшнего дня Amazon SageMaker Automatic Model Tuning предоставляет автонастройку — новую конфигурацию, которая устраняет необходимость указывать такие параметры, как диапазоны гиперпараметров, стратегию настройки или количество заданий, необходимых для определения задания. Это ускоряет процесс экспериментов и сокращает потери ресурсов на оценку неоптимальных конфигураций настройки. Можно также просмотреть и переопределить любые настройки, автоматически выбранные с помощью автонастройки. Опция автонастройки доступна в API CreateHyperParameterTuningJob и в пакете HyperParameterTuner SageMaker Python SDK.
Новая функциональность теперь доступна для автоматической настройки модели SageMaker во всех коммерческих регионах AWS. Чтобы узнать больше, посетите техническую документацию, справочное руководство по API, публикацию в блоге или веб-страницу SageMaker Automatic Model Tuning.