ایمیزون سیج میکر آٹومیٹک ماڈل ٹیوننگ اب گرڈ سرچ کو سپورٹ کرتی ہے۔

آج ایمیزون سیج میکر کے لئے گرڈ تلاش کی حمایت کا اعلان کیا خودکار ماڈل ٹیوننگآپ کے ماڈل کے لیے بہترین ہائپر پیرامیٹر کنفیگریشن تلاش کرنے کے لیے صارفین کو اضافی حکمت عملی فراہم کرنا۔

ایمیزون سیج میکر آٹومیٹک ماڈل ٹیوننگ آپ کے ڈیٹاسیٹ پر ایک کا استعمال کرتے ہوئے بہت سی تربیتی ملازمتیں چلا کر ماڈل کا بہترین ورژن تلاش کرتی ہے۔ رینج آپ کے بتائے ہوئے ہائپر پیرامیٹروں کا۔ پھر یہ ہائپر پیرامیٹر اقدار کا انتخاب کرتا ہے جس کے نتیجے میں ایک ایسا ماڈل ہوتا ہے جو بہترین کارکردگی کا مظاہرہ کرتا ہے، جیسا کہ a کے ذریعے ماپا جاتا ہے۔ میٹرک۔ آپ کی پسند کا

اپنے ماڈل کے لیے بہترین ہائپر پیرامیٹر کی قدریں تلاش کرنے کے لیے، Amazon SageMaker خودکار ماڈل ٹیوننگ متعدد حکمت عملیوں کو سپورٹ کرتی ہے، بشمول Bayesian (پہلے سے طے شدہ) رینڈم تلاش کریں ، اور ہائپر بینڈ.

گرڈ کی تلاش

گرڈ سرچ آپ کی وضاحت کردہ ہائپر پیرامیٹرس کے گرڈ میں کنفیگریشنز کو مکمل طور پر تلاش کرتی ہے، جو آپ کو اپنے گرڈ میں سب سے زیادہ امید افزا ہائپر پیرامیٹر کنفیگریشنز کے بارے میں بصیرت حاصل کرنے کی اجازت دیتی ہے اور مختلف ٹیوننگ رنز میں آپ کے نتائج کو متعین طور پر دوبارہ پیش کرتی ہے۔ گرڈ کی تلاش آپ کو زیادہ اعتماد دیتی ہے کہ پورے ہائپر پیرامیٹر کی تلاش کی جگہ کو تلاش کیا گیا تھا۔ یہ فائدہ ٹریڈ آف کے ساتھ آتا ہے کیونکہ یہ حسابی طور پر Bayesian اور بے ترتیب تلاش سے زیادہ مہنگا ہے اگر آپ کا بنیادی مقصد بہترین ہائپر پیرامیٹر کنفیگریشن تلاش کرنا ہے۔

ایمیزون سیج میکر کے ساتھ گرڈ تلاش کریں۔

Amazon SageMaker میں، آپ گرڈ تلاش کا استعمال کرتے ہیں جب آپ کے مسئلے کے لیے آپ کو مطلوبہ ہائپر پیرامیٹر کا بہترین مجموعہ درکار ہوتا ہے جو آپ کے مقصدی میٹرک کو زیادہ سے زیادہ یا کم کرتا ہے۔ ایک عام استعمال کا معاملہ جہاں گاہک گرڈ تلاش کا استعمال کرتا ہے جب ماڈل کی درستگی اور تولیدی صلاحیت آپ کے کاروبار کے لیے اسے حاصل کرنے کے لیے درکار تربیتی لاگت سے زیادہ اہم ہوتی ہے۔

ایمیزون سیج میکر میں گرڈ سرچ کو فعال کرنے کے لیے، سیٹ کریں۔ Strategy فیلڈ Grid جب آپ ٹیوننگ جاب بناتے ہیں، جیسا کہ:

{
    "ParameterRanges": {...}
    "Strategy": "Grid",
    "HyperParameterTuningJobObjective": {...}
}

مزید برآں، گرڈ کی تلاش کے لیے آپ سے اپنی تلاش کی جگہ (کارٹیشین گرڈ) کو اپنی ملازمت کی تعریف میں مجرد اقدار کی ایک واضح رینج کے طور پر بیان کرنے کی ضرورت ہوتی ہے۔ CategoricalParameterRanges کے تحت کلید ParameterRanges پیرامیٹر، مندرجہ ذیل:

{
    "ParameterRanges": {
        "CategoricalParameterRanges": [
 {
              "Name": "eta", "Values": ['0.1', '0.2', '0.3', '0.4', '0.5']
            },
            {
              "Name": "alpha", "Values": ['0.1', '0.2']
            },
        ],

    },
    ...
}

نوٹ کریں کہ ہم اس کی وضاحت نہیں کرتے ہیں۔ MaxNumberOfTrainingJobs جاب کی تعریف میں گرڈ کی تلاش کے لیے کیونکہ یہ آپ کے لیے زمرہ کے مجموعوں کی تعداد سے طے ہوتا ہے۔ Random اور Bayesian تلاش کا استعمال کرتے وقت، آپ وضاحت کرتے ہیں۔ MaxNumberOfTrainingJobs کمپیوٹ کے لیے اوپری باؤنڈری کی وضاحت کرکے ٹیوننگ کام کی لاگت کو کنٹرول کرنے کے طریقے کے طور پر پیرامیٹر۔ گرڈ تلاش کے ساتھ، کی قدر MaxNumberOfTrainingJobs (اب اختیاری) خود بخود میں گرڈ تلاش کے لیے امیدواروں کی تعداد کے طور پر سیٹ ہو جاتا ہے۔ HyperParameterTuningJob کی وضاحت کریں۔ شکل. یہ آپ کو اپنے مطلوبہ ہائپر پیرامیٹر کے گرڈ کو مکمل طور پر تلاش کرنے کی اجازت دیتا ہے۔ مزید برآں، گرڈ سرچ جاب کی تعریف صرف مجرد زمرہ جات کو قبول کرتی ہے اور اسے مسلسل یا عددی حدود کی تعریف کی ضرورت نہیں ہے کیونکہ گرڈ میں ہر قدر کو مجرد سمجھا جاتا ہے۔

گرڈ تلاش کا تجربہ

اس تجربے میں، ایک رجعت کا کام دیا گیا، ہم 200 ہائپر پیرامیٹر، 20 کی تلاش کی جگہ کے اندر بہترین ہائپر پیرامیٹر تلاش کرتے ہیں۔ eta اور 10 alpha 0.1 سے 1 تک۔ ہم استعمال کرتے ہیں۔ براہ راست مارکیٹنگ ڈیٹاسیٹ ریگریشن ماڈل کو ٹیون کرنے کے لیے۔

• اور: زیادہ فٹنگ کو روکنے کے لیے اپ ڈیٹس میں استعمال ہونے والے سٹیپ سائز سکڑنا۔ ہر فروغ دینے والے قدم کے بعد، آپ براہ راست نئی خصوصیات کا وزن حاصل کر سکتے ہیں۔ دی eta پیرامیٹر دراصل فیچر کے وزن کو سکڑتا ہے تاکہ فروغ دینے کے عمل کو مزید قدامت پسند بنایا جا سکے۔
• الفا: وزن پر L1 ریگولرائزیشن کی اصطلاح۔ اس قدر میں اضافہ ماڈل کو زیادہ قدامت پسند بناتا ہے۔

بائیں طرف چارٹ کا تجزیہ دکھاتا ہے۔ eta مقصدی میٹرک کے سلسلے میں ہائپر پیرامیٹر اور یہ ظاہر کرتا ہے کہ کس طرح گرڈ سرچ نے بہترین ماڈل کو واپس کرنے سے پہلے X محور میں تلاش کی پوری جگہ (گرڈ) کو ختم کر دیا ہے۔ یکساں طور پر، دائیں طرف کا چارٹ ایک ہی کارٹیشین اسپیس میں دو ہائپر پیرامیٹرس کا تجزیہ کرتا ہے تاکہ یہ ظاہر کیا جا سکے کہ گرڈ کے تمام پوائنٹس ٹیوننگ کے دوران منتخب کیے گئے تھے۔

مندرجہ بالا تجربہ یہ ظاہر کرتا ہے کہ گرڈ سرچ کی مکمل نوعیت تلاش کی متعین جگہ کے پیش نظر ایک بہترین ہائپر پیرامیٹر انتخاب کی ضمانت دیتی ہے۔ یہ یہ بھی ظاہر کرتا ہے کہ آپ اپنے تلاش کے نتائج کو ٹیوننگ تکرار میں دوبارہ پیش کر سکتے ہیں، باقی تمام چیزیں برابر ہیں۔

ایمیزون سیج میکر آٹومیٹک ماڈل ٹیوننگ ورک فلوز (AMT)

Amazon SageMaker خودکار ماڈل ٹیوننگ کے ساتھ، آپ اپنے ڈیٹاسیٹ پر متعدد تلاش کی حکمت عملیوں، جیسے Bayesian، Random search، Grid search، اور Hyperband کے ساتھ تربیتی جابز چلا کر اپنے ماڈل کا بہترین ورژن تلاش کر سکتے ہیں۔ خودکار ماڈل ٹیوننگ آپ کو آپ کی وضاحت کردہ ہائپر پیرامیٹر رینج کے اندر بہترین ہائپر پیرامیٹر کنفیگریشن کو خود بخود تلاش کرکے کسی ماڈل کو ٹیون کرنے کا وقت کم کرنے کی اجازت دیتی ہے۔

اب جب کہ ہم نے Amazon SageMaker AMT میں گرڈ سرچ استعمال کرنے کے فائدے کا جائزہ لیا ہے، آئیے AMT کے ورک فلوز پر ایک نظر ڈالیں اور سمجھتے ہیں کہ یہ سب کچھ SageMaker میں کیسے فٹ بیٹھتا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے اس بات پر تبادلہ خیال کیا کہ اب آپ کس طرح بہترین ماڈل تلاش کرنے کے لیے گرڈ تلاش کی حکمت عملی کا استعمال کر سکتے ہیں اور مختلف ٹیوننگ جابز میں نتائج کو متعین طور پر دوبارہ پیش کرنے کی صلاحیت۔ ہم نے دوسری حکمت عملیوں کے مقابلے گرڈ تلاش کا استعمال کرتے وقت تجارت کے بند ہونے پر تبادلہ خیال کیا، اور یہ آپ کو یہ جاننے کی اجازت کیسے دیتا ہے کہ ہائپر پیرامیٹر اسپیس کے کون سے علاقے سب سے زیادہ امید افزا ہیں اور آپ کے نتائج کو متعین طور پر دوبارہ پیش کرتے ہیں۔

خودکار ماڈل ٹیوننگ کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ پروڈکٹ کا صفحہ اور تکنیکی دستاویزات.

مصنف کے بارے میں

ڈوگ Mbaya ڈیٹا اور تجزیات پر توجہ کے ساتھ ایک سینئر پارٹنر سلوشن آرکیٹیکٹ ہے۔ Doug AWS پارٹنرز کے ساتھ مل کر کام کرتا ہے، ان کی مدد کرتا ہے کہ وہ کلاؤڈ میں ڈیٹا اور تجزیاتی حل کو مربوط کر سکے۔