Realizar un seguimiento y establecer criterios de finalización de su trabajo de ajuste

Compruebe si ha completado sus trabajos de entrenamiento y actualice las estadísticas en consecuencia

Decida qué combinación de hiperparámetros evaluar a continuación.

MaxNumberOfTrainingJobs: el número máximo de trabajos de entrenamiento que deben ejecutarse antes de detener el ajuste.

MaxNumberOfTrainingJobsNotImproving: el número máximo de trabajos de entrenamiento que no mejoran el rendimiento en comparación con la métrica objetiva del mejor trabajo de entrenamiento actual. Por ejemplo, si el mejor trabajo de entrenamiento arrojó una métrica objetiva con una precisión de 90%, y MaxNumberOfTrainingJobsNotImproving está establecido en 10. En este ejemplo, el ajuste se detendrá cuando los trabajos de entrenamiento 10 no muestren una precisión superior al 90%.

MaxRuntimeInSeconds: el límite máximo de tiempo real que puede durar un trabajo de ajuste en segundos.

TargetObjectiveMetricValue: el valor de la métrica objetiva con la que se evalúa el trabajo de ajuste. Una vez alcanzado este valor, AMT detiene el trabajo de ajuste.

CompleteOnConvergence: un indicador para detener el ajuste después de que un algoritmo interno determine que es poco probable que el trabajo de ajuste mejore más de un 1% con respecto a la métrica objetiva del mejor trabajo de entrenamiento.

MaxNumberOfTrainingJobsResourceLimitsAPIUtilícelo para establecer un límite superior para el número de trabajos de entrenamiento que se pueden ejecutar antes de detener el trabajo de ajuste. Comience con un número grande y ajústelo en función del rendimiento del modelo en función del objetivo de su trabajo de ajuste. La mayoría de los usuarios introducen valores cercanos a 50 o más trabajos de entrenamiento para encontrar una configuración de hiperparámetros óptima. Los usuarios que buscan niveles más altos de rendimiento del modelo utilizarán 200 o más trabajos de entrenamiento.

Úselo BestObjectiveNotImprovingAPIsobre MaxNumberOfTrainingJobsNotImproving el terreno para detener el entrenamiento si el rendimiento del modelo no mejora después de un número específico de trabajos. El rendimiento del modelo se evalúa en función de una función objetivo. Cuando MaxNumberOfTrainingJobsNotImproving se cumpla, se AMT detendrá el trabajo de ajuste. Los trabajos de ajuste suelen progresar más al principio del trabajo. Mejorar el rendimiento del modelo en comparación con una función objetivo requerirá un mayor número de trabajos de entrenamiento hacia el final del ajuste. Seleccione un valor para MaxNumberOfTrainingJobsNotImproving comparando el rendimiento de trabajos de entrenamiento similares con su métrica objetiva.

MaxRuntimeInSecondsUtilícelo ResourceLimitsAPIpara establecer un límite superior para la cantidad de tiempo que puede tardar el trabajo de afinación en un reloj de pared. Utilice este campo para cumplir la fecha límite en la que debe completarse el trabajo de ajuste o para limitar los recursos informáticos.

Para obtener un tiempo de cálculo total estimado en segundos para un trabajo de ajuste, utilice la siguiente fórmula:

Tiempo máximo de cálculo estimado en segundos = MaxRuntimeInSeconds * MaxParallelTrainingJobs * MaxInstancesPerTrainingJob

TargetObjectiveMetricValueÚselo TuningJobCompletionCriteriaAPIpara detener su trabajo de afinación. El trabajo de ajuste se detiene después de que cualquier trabajo de entrenamiento iniciado por el trabajo de ajuste alcance este valor métrico objetivo. Utilice este campo si su caso de uso depende de alcanzar un nivel de rendimiento específico, en lugar de gastar recursos de cálculo para encontrar el mejor modelo posible.

CompleteOnConvergenceUtilícelo TuningJobCompletionCriteriaAPIpara detener un trabajo de afinación después AMT de haber detectado que el trabajo de afinación ha convergido y es poco probable que siga progresando de forma significativa. Utilice este campo cuando no esté claro qué valores se deben utilizar para alguno de los demás criterios de finalización. AMTdetermina la convergencia basándose en un algoritmo desarrollado y probado en una amplia gama de puntos de referencia diversos. Se considera que un trabajo de ajuste ha convergido cuando ninguno de los trabajos de entrenamiento arroja una mejora significativa (un 1% o menos). La mejora se mide en función de la métrica objetiva obtenida por el trabajo con el rendimiento más alto hasta el momento.

Especifique TargetObjectiveMetricValue en el TuningJobCompletionCriteriaAPIpara establecer un valor de métrica objetivo objetivo que desee alcanzar.

CompleteOnConvergenceConfigúrelo en Enabled para detener un trabajo de ajuste si se AMT ha determinado que es poco probable que el rendimiento del modelo mejore.

BestTrainingJob— Un objeto que describe el mejor trabajo de entrenamiento obtenido hasta el momento, comparado con tu métrica objetivo. Utilice este campo para comprobar el rendimiento de su modelo actual y el valor de la métrica objetiva de este mejor trabajo de entrenamiento.

ObjectiveStatusCounters— Un objeto que especifica el número total de trabajos de formación completados en un trabajo de ajuste. Para estimar la duración media de un trabajo de ajuste, utilice ObjectiveStatusCounters y el tiempo de ejecución total de un trabajo de ajuste. Puede utilizar la duración media para estimar cuánto tiempo durará su trabajo de ajuste.

ConsumedResources: los recursos totales, por ejemplo RunTimeInSeconds, consumidos por el trabajo de ajuste. Compara ConsumedResources lo que se encuentra en DescribeHyperParameterTuningJob API, con lo que se encuentra BestTrainingJob en el mismoAPI. También puede ConsumedResources compararla con la respuesta del ListTrainingJobsForHyperParameterTuningJobAPIpara evaluar si su trabajo de ajuste está progresando satisfactoriamente teniendo en cuenta los recursos que se están consumiendo.

TuningJobCompletionDetails— Información de finalización del trabajo de ajuste que incluye lo siguiente:

Utilice los criterios de finalización del trabajo de ajuste para evaluar la probabilidad de que su trabajo de ajuste mejore el rendimiento del modelo. El rendimiento del modelo se evalúa en función de la mejor métrica objetiva si se ha completado.