SageMaker Automatic Model Tuning tự động chọn cấu hình điều chỉnh
Amazon SageMaker Automatic Model Tuning hiện có thể tự động chọn phạm vi siêu tham số, chiến lược tìm kiếm, thời gian chạy tối đa của công việc điều chỉnh, kiểu dừng sớm cho công việc đào tạo, số lần thử lại công việc đào tạo và cờ hội tụ mô hình để dừng công việc điều chỉnh, dựa trên số liệu mục tiêu mà bạn cung cấp. Điều này giảm thiểu thời gian cần thiết để bạn bắt đầu quá trình điều chỉnh và tăng cơ hội tìm thấy các mô hình chính xác hơn với ngân sách thấp hơn.
Chọn các siêu tham số chính xác đòi hỏi kinh nghiệm với các kỹ thuật học máy và có thể ảnh hưởng đáng kể đến hiệu suất mô hình của bạn. Ngay cả với điều chỉnh siêu tham số, bạn vẫn cần chỉ định nhiều cấu hình điều chỉnh, chẳng hạn như phạm vi siêu tham số, chiến lược tìm kiếm và số lượng công việc đào tạo để khởi chạy. Việc sửa một cài đặt như vậy rất phức tạp và thường yêu cầu nhiều thử nghiệm, có thể phát sinh thêm chi phí đào tạo.
Bắt đầu từ hôm nay, Amazon SageMaker Automatic Model Tuning cung cấp tính năng tự động điều chỉnh, một cấu hình mới giúp loại bỏ nhu cầu chỉ định các cài đặt như phạm vi siêu tham số, chiến lược điều chỉnh hoặc số lượng công việc được yêu cầu như một phần của định nghĩa công việc. Điều này đẩy nhanh quá trình thử nghiệm của bạn và giảm lãng phí tài nguyên khi đánh giá các cấu hình điều chỉnh không tối ưu. Bạn cũng có thể xem lại và ghi đè bất kỳ cài đặt nào được chọn tự động bởi tính năng tự động điều chỉnh. Tùy chọn autotune có sẵn trong API CreateHyperParameterTuningJob và trong HyperParameterTun er SageMaker Python SDK.
Chức năng mới hiện có sẵn cho SageMaker Automatic Model Tuning ở tất cả các Khu vực AWS thương mại. Để tìm hiểu thêm, vui lòng truy cập tài liệu kỹ thuật, hướng dẫn tham khảo API, bài đăng trên blog hoặc trang web SageMaker Automatic Model Tuning.