Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Hyperparameter und HPO

Sie geben vor dem Training Hyperparameter an, um das trainierte Modell für Ihren speziellen Anwendungsfall zu optimieren. Im Gegensatz dazu stehen Modellparameter, deren Werte während des Schulungsprozesses ermittelt werden.

Hyperparameter werden über den algorithmHyperParameters-Schlüssel angegeben, der Teil des SolutionConfig-Objekts ist, das an die CreateSolution-Operation übergeben wird.

Eine komprimierte Version der CreateSolution Anfrage finden Sie weiter unten. Das Beispiel beinhaltet das solutionConfig Objekt. Sie verwendensolutionConfig, um die Standardparameter eines Rezepts zu überschreiben.

{
  "name": "string",
  "recipeArn": "string",
  "eventType": "string",
  "solutionConfig": {
      "optimizationObjective": {
          "itemAttribute": "string",
          "objectiveSensitivity": "string"
      },
      "eventValueThreshold": "string",
      "featureTransformationParameters": {
          "string" : "string"
      },
      "algorithmHyperParameters": {
          "string" : "string"
      },
      "hpoConfig": {
          "algorithmHyperParameterRanges": {
              ...
          },
          "hpoResourceConfig": {
              "maxNumberOfTrainingJobs": "string",
              "maxParallelTrainingJobs": "string"
          }
      },
  },
}

Unterschiedliche Rezepte verwenden unterschiedliche Hyperparameter. Die verfügbaren Hyperparameter finden Sie in den einzelnen Rezepten unter Ein Rezept wählen.

Aktivierung der Hyperparameter-Optimierung

Hyperparameter-Optimierung (HPO) oder Tuning ist die Aufgabe, optimale Hyperparameter für ein bestimmtes Lernziel auszuwählen. Die optimalen Hyperparameter werden ermittelt, indem viele Schulungen mit unterschiedlichen Werten aus den vorgegebenen Möglichkeiten durchgeführt werden.

Wenn Sie bei User-Personalization-v2 und Personalized-Ranking-v2 die automatische Schulung aktivieren, führt Amazon Personalize automatisch alle 90 Tage durch. HPO Ohne automatisches Training HPO findet kein Training statt. Für alle anderen Rezepte müssen Sie die Option aktivierenHPO. Um das hpoConfig Objekt performHPO zu verwenden HPOtrue, einzustellen und einzubeziehen.

Hyperparameter können kategorische, kontinuierliche oder Ganzzahl-Werte sein. Das hpoConfig-Objekt verfügt über Schlüssel, die jedem dieser Typen entsprechen, wobei Sie die Hyperparameter und deren Bereiche angeben. Sie müssen jeden Typ in Ihrer Anfrage angeben, aber wenn ein Rezept keinen Parameter eines Typs enthält, können Sie ihn leer lassen. Beispielsweise verfügt die Benutzerpersonalisierung nicht über einen einstellbaren Hyperparameter vom Typ Continuous. Für den würden Sie continousHyperParameterRange also ein leeres Array übergeben.

Der folgende Code zeigt, wie Sie mithilfe von SDK for Python (Boto3) eine Lösung mit HPO enabled erstellen. Die Lösung im Beispiel verwendet das Rezept für Benutzerpersonalisierung Rezept und ist auf HPO eingestellt. true Der Code stellt einen Wert für hidden_dimension und categoricalHyperParameterRanges und bereitintegerHyperParameterRanges. Der continousHyperParameterRange ist leer und der hpoResourceConfig setzt den Wert maxNumberOfTrainingJobs undmaxParallelTrainingJobs.

import boto3

personalize = boto3.client('personalize')

create_solution_response = personalize.create_solution(
    name = "solution name",
    datasetGroupArn = 'arn:aws:personalize:region:accountId:dataset-group/datasetGroupName',
    recipeArn = 'arn:aws:personalize:::recipe/aws-user-personalization',
    performHPO = True,
    solutionConfig = {
        "algorithmHyperParameters": {
          "hidden_dimension": "55"
        },
        "hpoConfig": {
          "algorithmHyperParameterRanges": {
              "categoricalHyperParameterRanges": [
                  {
                      "name": "recency_mask",
                      "values": [ "true", "false"]
                  }
              ],
              "integerHyperParameterRanges": [
                  {
                      "name": "bptt",
                      "minValue": 2,
                      "maxValue": 22
                  }
              ],
              "continuousHyperParameterRanges": [

              ]
          },
          "hpoResourceConfig": {
              "maxNumberOfTrainingJobs": "4",
              "maxParallelTrainingJobs": "2"
          }
        }
    }
)

Weitere Informationen zu HPO finden Sie unter Automatische Modelloptimierung.

Hyperparameter anzeigen

Sie können die Hyperparameter der Lösung anzeigen, indem Sie die Operation aufrufen. DescribeSolution Das folgende Beispiel zeigt eine DescribeSolution Ausgabe. Nachdem Sie eine Lösungsversion erstellt (ein Modell trainiert) haben, können Sie mit der DescribeSolutionVersion Operation auch Hyperparameter anzeigen.

{
  "solution": {
    "name": "hpo_coonfig_solution",
    "solutionArn": "arn:aws:personalize:region:accountId:solution/solutionName",
    "performHPO": true,
    "performAutoML": false,
    "recipeArn": "arn:aws:personalize:::recipe/aws-user-personalization",
    "datasetGroupArn": "arn:aws:personalize:region:accountId:dataset-group/datasetGroupName",
    "eventType": "click",
    "solutionConfig": {
      "hpoConfig": {
        "hpoResourceConfig": {
          "maxNumberOfTrainingJobs": "4",
          "maxParallelTrainingJobs": "2"
        },
        "algorithmHyperParameterRanges": {
          "integerHyperParameterRanges": [
            {
              "name": "training.bptt",
              "minValue": 2,
              "maxValue": 22
            }
          ],
          "continuousHyperParameterRanges": [],
          "categoricalHyperParameterRanges": [
            {
              "name": "data.recency_mask",
              "values": [
                "true",
                "false"
              ]
            }
          ]
        }
      },
      "algorithmHyperParameters": {
        "hidden_dimension": "55"
      }
    },
    "status": "ACTIVE",
    "creationDateTime": "2022-07-08T12:12:48.565000-07:00",
    "lastUpdatedDateTime": "2022-07-08T12:12:48.565000-07:00"
  }
}