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 (Hyper-Parameter Optimization, HPO), oder Feineinstellung, bezeichnet die Wahl optimaler Hyperparameter für ein bestimmtes Lernziel. Die optimalen Hyperparameter werden ermittelt, indem viele Schulungen mit unterschiedlichen Werten aus den vorgegebenen Möglichkeiten durchgeführt werden.

Wenn Sie User-Personalization-v2und aktivieren Personalized-Ranking-v2, führt Amazon Personalize HPO automatisch alle 90 Tage durch, wenn Sie das automatische Training aktivieren. Ohne automatisches Training findet kein HPO statt. Für alle anderen Rezepte müssen Sie HPO aktivieren. Um HPO zu verwenden, stellen Sie performHPO auf true ein und binden Sie das hpoConfig-Objekt ein.

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 hat, können Sie ihn leer lassen. User-Personalization Hat beispielsweise keinen einstellbaren Hyperparameter des kontinuierlichen Typs. Für das würden Sie continousHyperParameterRange also ein leeres Array übergeben.

Der folgende Code zeigt, wie Sie mit dem eine Lösung mit aktiviertem HPO erstellen. AWS SDK für Python (Boto3) Die Lösung im Beispiel verwendet das Rezept für Benutzerpersonalisierung Rezept und HPO ist auf eingestellt. true Der Code stellt einen Wert für hidden_dimension und und bereit. categoricalHyperParameterRanges integerHyperParameterRanges 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"
  }
}