Amazon SageMaker on teatas Amazon SageMakeri kolme uue valmimiskriteeriumi toetus automaatne mudeli häälestamine, pakkudes teile täiendavat hoobade komplekti häälestustöö peatamise kriteeriumide juhtimiseks, kui leiate oma mudeli jaoks parima hüperparameetri konfiguratsiooni.
Selles postituses käsitleme neid uusi lõpetamiskriteeriume, millal neid kasutada ja mõningaid nendest tulenevaid eeliseid.
SageMaker automaatne mudeli häälestamine
Automaatne mudeli häälestamine, mida nimetatakse ka hüperparameetrite häälestamine, leiab mudeli parima versiooni, mõõdetuna meie valitud mõõdiku järgi. See keerutab pakutud andmekogumis palju koolitustöid, kasutades valitud algoritmi ja määratud hüperparameetrite vahemikke. Iga koolitustöö saab lõpetada varakult, kui objektiivne mõõdik oluliselt ei parane, mida nimetatakse varajaseks peatamiseks.
Seni oli üldise häälestustöö kontrollimiseks piiratud võimalusi, näiteks koolitustööde maksimaalse arvu määramine. Selle parameetri väärtuse valik on aga parimal juhul heuristiline. Suurem väärtus suurendab häälestuskulusid ja väiksem väärtus ei pruugi alati anda mudeli parimat versiooni.
SageMakeri automaatne mudeli häälestamine lahendab need väljakutsed, pakkudes teile häälestustöö jaoks mitu lõpetamiskriteeriumi. Seda rakendatakse häälestustasemel, mitte iga üksiku koolitustöö tasemel, mis tähendab, et see töötab kõrgemal abstraktsioonikihil.
Töö lõpetamise kriteeriumide häälestamise eelised
Kui teil on parem kontroll selle üle, millal häälestustöö peatub, saate kulusid kokku hoida, kuna töö ei tööta pikka aega ja on arvutuslikult kulukas. See tähendab ka seda, et saate tagada, et töö ei peatu liiga vara ja saate piisavalt hea kvaliteediga mudeli, mis vastab teie eesmärkidele. Saate häälestustöö peatada, kui mudelid pärast iteratsioonide komplekti enam ei parane või kui hinnanguline jääktäiustus ei õigusta arvutusressursse ja aega.
Lisaks olemasolevale maksimaalsele arvule koolituse töö lõpetamise kriteeriumidele MaxNumberOfTrainingJobs, automaatne mudeli häälestamine tutvustab võimalust häälestamine peatada maksimaalse häälestusaja, täiustuste jälgimise ja lähenemise tuvastamise alusel.
Uurime kõiki neid kriteeriume.
Maksimaalne häälestusaeg
Varem oli teil võimalus määrata ressursipiirangu sättena maksimaalne koolitustööde arv, et kontrollida häälestuseelarvet arvutusressursside osas. See võib aga kaasa tuua tarbetult pikemad või lühemad treeninguajad, kui vaja või soovitakse.
Maksimaalse häälestusaja kriteeriumi lisamisega saate nüüd jaotada oma koolituseelarve aja järgi häälestustöö läbiviimiseks ja töö automaatselt lõpetada pärast määratud ajavahemikku, mis on määratletud sekundites.
Nagu ülalpool näha, kasutame MaxRuntimeInSeconds
häälestusaja määramiseks sekundites. Häälestusaja piirangu määramine aitab piirata häälestustöö kestust ja ka katse prognoositavat maksumust.
Kogumaksumust enne lepingujärgset allahindlust saab hinnata järgmise valemiga:EstimatedComputeSeconds= MaxRuntimeInSeconds * MaxParallelTrainingJobs * InstanceCost
Maksimaalset käitusaega sekundites saab kasutada kulude ja käitusaja sidumiseks. Teisisõnu, see on eelarvekontrolli täitmise kriteerium.
See funktsioon on osa ressursside juhtimise kriteeriumidest ega võta arvesse mudelite lähenemist. Nagu me hiljem selles postituses näeme, saab seda kriteeriumi kasutada koos teiste peatamiskriteeriumidega, et saavutada kulude kontroll ilma täpsust ohverdamata.
Soovitud sihtmõõdik
Teine varem kasutusele võetud kriteerium on sihtotstarbelise eesmärgi eelnevalt määratlemine. Kriteeriumid jälgivad parima mudeli toimivust konkreetse objektiivse mõõdiku alusel ja peatavad häälestamise, kui mudelid saavutavad kindlaksmääratud objektiivse mõõdiku suhtes määratletud läve.
Koos TargetObjectiveMetricValue
kriteeriumide järgi saame anda SageMakerile käsu lõpetada mudeli häälestamine pärast seda, kui parima mudeli objektiivne mõõdik on saavutanud määratud väärtuse:
Selles näites antakse meile SageMakerile korraldus lõpetada mudeli häälestamine, kui parima mudeli objektiivne mõõdik on jõudnud 0.95-ni.
See meetod on kasulik, kui teil on konkreetne sihtmärk, milleni soovite oma mudeliga jõuda, näiteks teatud täpsuse, täpsuse, tagasikutsumise, F1-skoori, AUC, logaritmikadude ja nii edasi.
Selle kriteeriumi tüüpiline kasutusjuht oleks kasutajale, kes on juba tuttav mudeli jõudlusega antud lävedel. Uurimisfaasis olev kasutaja võib mudeli esmalt häälestada suurema andmestiku väikese alamhulgaga, et tuvastada rahuldav hindamismõõdiku lävi, mida kogu andmestikuga treenimisel sihtida.
Paranemise jälgimine
See kriteerium jälgib mudelite konvergentsi pärast iga iteratsiooni ja peatab häälestamise, kui mudelid ei parane pärast teatud arvu koolitustöid. Vaadake järgmist konfiguratsiooni:
Sel juhul määrame MaxNumberOfTrainingJobsNotImproving
10-ni, mis tähendab, et kui objektiivne mõõdik lakkab paranemast pärast 10 koolitustööd, siis häälestamine peatatakse ning parima mudeli ja mõõdiku kohta antakse teada.
Täiustusseiret tuleks kasutada mudeli kvaliteedi ja töövoo üldise kestuse vahelise kompromissi häälestamiseks viisil, mis on tõenäoliselt ülekantav erinevate optimeerimisprobleemide vahel.
Konvergentsi tuvastamine
Konvergentsi tuvastamine on lõpuleviimise kriteerium, mis võimaldab automaatsel mudeli häälestamisel otsustada, millal häälestamine peatada. Üldiselt peatab automaatne mudeli häälestamine häälestamise, kui hinnanguliselt ei ole võimalik saavutada märkimisväärset paranemist. Vaadake järgmist konfiguratsiooni:
Kriteeriumid sobivad kõige paremini siis, kui te esialgu ei tea, milliseid peatamisseadeid valida.
See on kasulik ka siis, kui te ei tea, milline siht-eesmärgi mõõdik on probleemi ja olemasolevate andmekogumite põhjal hea prognoosi jaoks mõistlik, ja eelistaksite häälestustöö lõpetada, kui see enam ei parane.
Katsetage lõpetamiskriteeriumide võrdlust
Selles katses teostame regressiooniülesandega 3 häälestuskatset, et leida optimaalne mudel kahe hüperparameetri otsinguruumis, millel on kokku 2 hüperparameetri konfiguratsiooni, kasutades otseturunduse andmestik.
Kuna kõik muu oli võrdne, häälestati esimene mudel seadmega BestObjectiveNotImproving
valmimiskriteeriumide järgi häälestati teist mudelit CompleteOnConvergence
ja kolmas mudel häälestati ilma lõpetamiskriteeriumideta.
Iga töö kirjeldamisel võime jälgida, et seadistus BestObjectiveNotImproving
kriteeriumid on toonud kaasa objektiivse mõõdiku suhtes kõige optimaalsema ressursi ja aja ning oluliselt vähem töökohti.
. CompleteOnConvergence
kriteeriumid suutis ka poole katse pealt häälestamise peatada, mille tulemuseks oli vähem koolitustöid ja lühemat koolitusaega võrreldes kriteeriumide määramata jätmisega.
Kuigi lõpetamiskriteeriumide määramata jätmine tõi kaasa kuluka katse, mille määratlemine MaxRuntimeInSeconds
osana ressursipiirangust oleks üks viis kulusid minimeerida.
Ülaltoodud tulemused näitavad, et lõpetamiskriteeriumide määratlemisel suudab Amazon SageMaker häälestusprotsessi arukalt peatada, kui ta tuvastab, et mudel paraneb praegusest tulemusest väiksema tõenäosusega.
Pange tähele, et SageMakeri automaatse mudeli häälestamise toetatud lõpetamiskriteeriumid ei välista üksteist ja neid saab mudeli häälestamisel samaaegselt kasutada.
Kui on määratletud rohkem kui üks lõpetamiskriteerium, lõpeb häälestustöö, kui mõni kriteerium on täidetud.
Näiteks võib ressursipiirangu kriteeriumide, nagu maksimaalne häälestusaeg, kombinatsioon lähenemiskriteeriumitega, nagu täiustamise jälgimine või lähenemise tuvastamine, anda optimaalse kulude kontrolli ja optimaalse objektiivse mõõdiku.
Järeldus
Selles postituses arutasime, kuidas saate nüüd oma häälestustöö arukalt peatada, valides SageMakeris hiljuti kasutusele võetud lõpetamiskriteeriumide komplekti, nagu maksimaalne häälestusaeg, täiustamise jälgimine või lähenemise tuvastamine.
Näitasime katsega, et arukas peatamine, mis põhineb iteratsiooni paranemise jälgimisel, võib viia märkimisväärselt optimeeritud eelarve- ja ajahalduseni, võrreldes lõpetamiskriteeriumide määratlemata jätmisega.
Samuti näitasime, et need kriteeriumid ei välista üksteist ja neid saab mudeli häälestamisel samaaegselt kasutada, et kasutada ära nii eelarve kontrolli kui ka optimaalset lähenemist.
Lisateavet mudeli automaatse häälestamise konfigureerimise ja käivitamise kohta leiate artiklist Määrake hüperparameetri häälestustöö sätted.
Autoritest
Doug Mbaya on vanempartnerlahenduste arhitekt, kes keskendub andmetele ja analüüsidele. Doug teeb tihedat koostööd AWS-i partneritega, aidates neil andme- ja analüüsilahendusi pilve integreerida.
Chaitra Mathur on AWS-i peamine lahenduste arhitekt. Ta juhendab kliente ja partnereid AWS-is väga skaleeritavate, usaldusväärsete, turvaliste ja kulutõhusate lahenduste loomisel. Ta on kirglik masinõppe vastu ja aitab klientidel muuta oma ML-i vajadused lahendusteks, kasutades AWS AI/ML teenuseid. Tal on 5 sertifikaati, sealhulgas ML Specialty sertifikaat. Vabal ajal meeldib talle lugeda, joogat ja tütardega aega veeta.
Jaroslav Shcherbatyi on AWS-i masinõppeinsener. Ta töötab peamiselt Amazon SageMakeri platvormi täiustamisel ja aitab klientidel selle funktsioone kõige paremini kasutada. Vabal ajal meeldib talle käia jõusaalis, tegeleda välispordialadega, nagu uisutamine või matkamine, ning tutvuda uute tehisintellektiuuringutega.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-automatic-model-tuning-now-supports-three-new-completion-criteria-for-hyperparameter-optimization/
- 10
- 100
- 11
- 7
- 9
- a
- Võimalik
- MEIST
- üle
- konto
- täpsus
- Saavutada
- saavutada
- üle
- lisamine
- Täiendavad lisad
- ADEelis
- pärast
- AI
- ai uuringud
- AI / ML
- algoritm
- Materjal: BPA ja flataatide vaba plastik
- juba
- Amazon
- Amazon SageMaker
- summa
- analytics
- ja
- rakendatud
- Automaatne
- automaatselt
- AWS
- põhineb
- enne
- on
- kasu
- Kasu
- BEST
- Parem
- vahel
- Peale
- Seotud
- tooma
- eelarve
- Ehitus
- kutsutud
- juhul
- maadlus
- kindel
- sertifikaat
- sertifikaadid
- väljakutseid
- Vali
- valitud
- lähedalt
- Cloud
- kombinatsioon
- võrreldes
- võrdlus
- täitma
- Lõpetatud
- Lõpetab
- lõpetamist
- Arvutama
- konfiguratsioon
- kontrollida
- Lähenemine
- Maksma
- kulude kokkuhoid
- kuluefektiivne
- kulud
- võiks
- kriteeriumid
- Praegune
- Kliendid
- andmed
- määratletud
- määratlemisel
- Näidatud
- soovitud
- detailid
- Detection
- erinev
- Allahindlus
- arutama
- arutatud
- Ei tee
- Ära
- iga
- Varajane
- lubatud
- insener
- tagama
- Hinnanguliselt
- hinnangul
- hindamine
- kõik
- näide
- Eksklusiivne
- olemasolevate
- kallis
- eksperiment
- uurimine
- uurima
- tuttav
- tunnusjoon
- FUNKTSIOONID
- leidma
- leidmine
- leiab
- esimene
- Keskenduma
- Järel
- valem
- täis
- üldiselt
- saama
- antud
- andmine
- Go
- eesmärk
- hea
- juhendid
- võimla
- võttes
- aidates
- aitab
- rohkem
- kõrgelt
- omab
- Kuidas
- Kuidas
- aga
- HTML
- HTTPS
- Hüperparameetrite optimeerimine
- Hüperparameetrite häälestamine
- ICE
- identifitseerima
- parandama
- paranemine
- parandusi
- Paranemist
- in
- Teistes
- Kaasa arvatud
- Tõstab
- eraldi
- esialgu
- integreerima
- Intelligentne
- sisse
- Tutvustab
- IT
- iteratsioon
- kordused
- töö
- Tööturg
- Teadma
- teatud
- suurem
- kiht
- viima
- õppimine
- Led
- Lets
- Tase
- Tõenäoliselt
- LIMIT
- piiratud
- enam
- masin
- masinõpe
- juhtimine
- palju
- Turundus
- max
- Maksimeerima
- maksimaalne
- vahendid
- vastab
- meetod
- meetriline
- Meetrika
- minimeerimine
- ML
- mudel
- mudelid
- järelevalve
- monitorid
- rohkem
- kõige
- mitmekordne
- vastastikku
- vajadustele
- Uus
- number
- eesmärk
- eesmärgid
- jälgima
- ONE
- tegutseb
- optimaalselt
- optimeerimine
- optimeeritud
- valik
- Muu
- üldine
- parameeter
- osa
- partner
- partnerid
- kirglik
- jõudlus
- perioodid
- faas
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- post
- Täpsus
- ennustus
- varem
- Peamine
- Probleem
- probleeme
- protsess
- tootma
- Prognooside
- tingimusel
- pakkudes
- kvaliteet
- jõudma
- jõudis
- Lugemine
- mõistlik
- seos
- usaldusväärne
- Teatatud
- teadustöö
- ressurss
- Vahendid
- kaasa
- tulemuseks
- Tulemused
- jooks
- ohverdama
- salveitegija
- SageMakeri automaatne mudeli häälestamine
- Hoiused
- skaalautuvia
- Otsing
- Teine
- sekundit
- kindlustama
- valides
- valik
- vanem
- Teenused
- komplekt
- kehtestamine
- seaded
- peaks
- näitama
- märkimisväärne
- märgatavalt
- väike
- väiksem
- So
- lahendus
- Lahendused
- Lahendab
- mõned
- Ruum
- Eriala
- konkreetse
- määratletud
- Kulutused
- keerutab
- sport
- Peatus
- peatatud
- peatumine
- Peatab
- selline
- toetama
- Toetatud
- Toetab
- Võtma
- sihtmärk
- Ülesanne
- tingimused
- .
- oma
- Kolmas
- kolm
- künnis
- Läbi
- aeg
- korda
- et
- liiga
- Summa
- koolitus
- tõlkima
- tüüpiline
- kasutama
- kasutage juhtumit
- Kasutaja
- kinnitamine
- väärtus
- versioon
- kuidas
- M
- mis
- WHO
- will
- jooksul
- ilma
- sõnad
- töötab
- oleks
- saak
- jooga
- sa
- Sinu
- sephyrnet