張貼日期: Apr 4, 2019
Amazon SageMaker 是一種用於建構、訓練和部署機器學習模型的全受管服務，現在支援隨機搜尋作為一種調整策略，並在使用自動模型調整時，支援多個超參數擴展選項。
透過 Automatic Model Tuning 的隨機搜尋，客戶可以在搜尋空間中隨機選擇超參數組合，而不是使用預設的迭代方法，同時執行所有的調整試驗，從而實現更快的結果。雖然兩種方法都可以產生高度精確的模型，但隨機搜尋可能無法產生與預設值相同的精度水平。因此，當速度比獲得盡可能高的準確度更重要時，客戶應實作隨機搜尋。
Amazon SageMaker 還引入了在 Automatic Model Tuning 期間，使用日誌擴展和反向日誌擴展超參數擴展方法的選項。預設情況下，SageMaker 假定超參數值是均勻分佈，並使用線性擴展來選擇搜尋範圍中的值。然而，對於某些類型的超參數，這可能不是最有效的方法，例如有一種學習速率，它的典型值跨越多個數量級而且分佈不均勻。至於每一個需要調整的超參數，客戶可以依靠 SageMaker 自動確定擴展方法，也可以手動選擇擴展方法。
目前只要有 Amazon SageMaker 旳所有 AWS 區域，均提供 Automatic Model Tuning 的超參數隨機搜尋和自動擴展功能。如需詳細資訊，請參考這裡的相關部落格。