การปรับแต่งโมเดลอัตโนมัติ SageMaker เลือกการกำหนดค่าการปรับแต่งโดยอัตโนมัติ
Amazon SageMaker Automatic Model Tuning สามารถเลือกช่วงไฮเปอร์พารามิเตอร์ กลยุทธ์การค้นหา รันไทม์สูงสุดของงานปรับแต่ง ประเภทการหยุดเร็วสำหรับงานฝึกอบรม จำนวนครั้งที่ต้องลองงานฝึกซ้ำ และธงการผสมผสานแบบจำลองเพื่อหยุดงานปรับจูนโดยอิงตามตัวชี้วัด วัตถุ ประสงค์ที่คุณให้ไว้ สิ่งนี้ช่วยลดเวลาที่คุณต้องใช้ในการเริ่มต้นกระบวนการปรับจูนและเพิ่มโอกาสในการค้นหารุ่นที่แม่นยำยิ่งขึ้นด้วยงบประมาณที่ต่ำกว่า
การเลือกไฮเปอร์พารามิเตอร์ที่ถูกต้องต้องใช้ประสบการณ์เกี่ยวกับเทคนิคการเรียนรู้ของเครื่องและอาจส่งผลต่อประสิทธิภาพของโมเดลของคุณอย่างมาก แม้จะมีการปรับแต่งไฮเปอร์พารามิเตอร์ คุณยังจำเป็นต้องระบุการกำหนดค่าการปรับแต่งหลายอย่าง เช่น ช่วงไฮเปอร์พารามิเตอร์ กลยุทธ์การค้นหา และจำนวนงานฝึกอบรมที่จะเปิดตัว การแก้ไขการตั้งค่าดังกล่าวนั้นซับซ้อนและโดยทั่วไปต้องมีการทดลองหลายครั้งซึ่งอาจก่อให้เกิดค่าใช้จ่ายในการฝึกอบรมเพิ่มเติม
เริ่มตั้งแต่วันนี้ Amazon SageMaker Automatic Model Tuning ให้การปรับแต่งอัตโนมัติซึ่งเป็นการกำหนดค่าใหม่ที่ลดความจำเป็นในการระบุการตั้งค่าเช่นช่วงไฮเปอร์พารามิเตอร์กลยุทธ์การปรับจูนหรือจำนวนงานที่จำเป็นเป็นส่วนหนึ่งของคำจำกัดความงาน สิ่งนี้จะเร่งกระบวนการทดลองของคุณและลดทรัพยากรที่สูญเปล่าในการประเมินการกำหนดค่าการปรับแต่งที่ไม่เหมาะสม นอกจากนี้คุณยังสามารถตรวจสอบและแทนที่การตั้งค่าใด ๆ ที่เลือกโดยอัตโนมัติโดย autotune ตัวเลือกการปรับแต่งอัตโนมัติมีอยู่ใน CreateHyperParameterTuningJob API และใน HyperParameterTun er SageMaker Python SDK
ฟังก์ชันใหม่นี้พร้อมใช้งานสำหรับการปรับแต่งโมเดลอัตโนมัติ SageMaker ในภูมิภาค AWS เชิงพาณิชย์ทั้งหมด หากต้องการเรียนรู้เพิ่มเติม โปรดไปที่เอกสารทาง เทคนิ ค คู่มืออ้างอิง API โพสต์บล ็อก หรือ หน้าเว็บ การปรับแต่งโมเดลอัตโนมัติ SageMaker