Suivi et définition des critères d'achèvement de votre tâche de réglage

Elle vérifiera l'achèvement de vos tâches d'entraînement et mettra à jour les statistiques en conséquence.

Elle déterminera quelle combinaison d'hyperparamètres évaluer ensuite.

MaxNumberOfTrainingJobs – Nombre maximal de tâches d'entraînement à exécuter avant l'arrêt du réglage.

MaxNumberOfTrainingJobsNotImproving – Nombre maximal de tâches d'entraînement qui n'améliorent pas les performances par rapport à la métrique d'objectif issue de la meilleure tâche d'entraînement actuelle. Par exemple, si la meilleure tâche d'entraînement a renvoyé une métrique d'objectif dont la précision est de 90% et que MaxNumberOfTrainingJobsNotImproving a pour valeur 10. Dans cet exemple, le réglage s'arrête après que 10 tâches d'entraînement ne parviennent pas à renvoyer une précision supérieure à 90 %.

MaxRuntimeInSeconds – Limite supérieure de la durée d'exécution d'une tâche de réglage en secondes.

TargetObjectiveMetricValue – Valeur de la métrique d'objectif par rapport à laquelle la tâche de réglage est évaluée. Une fois cette valeur atteinte, AMT arrête le travail de réglage.

CompleteOnConvergence – Indicateur permettant d'arrêter le réglage lorsqu'un algorithme interne a déterminé qu'il est peu probable que la tâche de réglage s'améliore de plus de 1 % par rapport à la métrique d'objectif issue de la meilleure tâche d'entraînement.

Utilisez MaxNumberOfTrainingJobs in ResourceLimitsAPIpour définir une limite supérieure au nombre de tâches d'entraînement pouvant être exécutées avant l'arrêt de votre tâche de réglage. Commencez par un nombre élevé et ajustez-le en fonction des performances du modèle par rapport à l'objectif de votre tâche de réglage. La plupart des utilisateurs saisissent des valeurs d'environ 50 tâches d'entraînement ou plus pour rechercher une configuration hyperparamétrique optimale. Les utilisateurs recherchant des niveaux de performances supérieurs utiliseront 200 tâches d'entraînement ou plus.

MaxNumberOfTrainingJobsNotImprovingÀ utiliser BestObjectiveNotImprovingAPIsur le terrain pour arrêter l'entraînement si les performances du modèle ne s'améliorent pas après un certain nombre de tâches. Les performances du modèle sont évaluées par rapport à une fonction d'objectif. Une fois MaxNumberOfTrainingJobsNotImproving le paramètre atteint, le travail de réglage AMT sera arrêté. Les tâches de réglage ont tendance à progresser le plus au début de la tâche. L'amélioration des performances du modèle par rapport à une fonction d'objectif nécessite un plus grand nombre de tâches d'entraînement vers la fin du réglage. Sélectionnez une valeur pour MaxNumberOfTrainingJobsNotImproving en vérifiant les performances de tâches d'entraînement similaires par rapport à votre métrique d'objectif.

Utilisez MaxRuntimeInSeconds dans le ResourceLimitsAPIpour définir une limite supérieure à la durée que peut prendre le réglage de l'horloge murale. Utilisez ce champ pour respecter une date limite à laquelle la tâche de réglage doit être terminée ou pour limiter les ressources de calcul.

Pour obtenir une estimation du temps de calcul total en secondes pour une tâche de réglage, utilisez la formule suivante :

Temps de calcul maximal estimé en secondes = MaxRuntimeInSeconds * MaxParallelTrainingJobs * MaxInstancesPerTrainingJob

TargetObjectiveMetricValueÀ utiliser dans le TuningJobCompletionCriteriaAPIpour arrêter votre travail de réglage. Vous arrêtez la tâche de réglage lorsque toute tâche d'entraînement lancée par la tâche de réglage atteint cette valeur de métrique d'objectif. Utilisez ce champ si votre cas d'utilisation dépend de la réalisation d'un niveau de performances spécifique, plutôt que de la dépense de ressources de calcul pour trouver le meilleur modèle possible.

CompleteOnConvergenceÀ utiliser TuningJobCompletionCriteriaAPIpour arrêter une tâche de réglage après avoir AMT détecté que la tâche de réglage a convergé et qu'il est peu probable qu'elle progresse de manière significative. Utilisez ce champ lorsqu'il n'est pas clair quelles valeurs doivent être utilisées pour les autres critères d'achèvement. AMTdétermine la convergence sur la base d'un algorithme développé et testé sur un large éventail de benchmarks. Une tâche de réglage est définie comme ayant convergé quand aucune des tâches d'entraînement ne donne lieu à une amélioration significative (1 % ou moins). L'amélioration est mesurée par rapport à la métrique d'objectif renvoyée par la tâche la plus performante à ce jour.

Spécifiez TargetObjectiveMetricValue dans le TuningJobCompletionCriteriaAPIpour définir une valeur de mesure cible à atteindre.

Réglez CompleteOnConvergencesur Enabled pour arrêter une tâche de réglage si vous avez déterminé AMT qu'il est peu probable que les performances du modèle s'améliorent.

BestTrainingJob— Un objet qui décrit le meilleur poste de formation obtenu jusqu'à présent, évalué par rapport à votre indicateur objectif. Utilisez ce champ pour vérifier les performances actuelles de votre modèle et la valeur de la métrique d'objectif de cette meilleure tâche d'entraînement.

ObjectiveStatusCounters— Objet qui indique le nombre total de tâches de formation effectuées dans le cadre d'une tâche de réglage. Pour estimer la durée moyenne d'une tâche de réglage, utilisez ObjectiveStatusCounters et la durée totale d'exécution d'une tâche de réglage. Vous pouvez utiliser la durée moyenne pour estimer la durée d'exécution restante de votre tâche de réglage.

ConsumedResources : total des ressources, par exemple RunTimeInSeconds, consommées par votre tâche de réglage. ComparezConsumedResources, trouvé dans le DescribeHyperParameterTuningJob API, BestTrainingJob avec le mêmeAPI. Vous pouvez également ConsumedResources comparer avec la réponse du ListTrainingJobsForHyperParameterTuningJobAPIpour évaluer si votre travail de réglage progresse de manière satisfaisante compte tenu des ressources consommées.

TuningJobCompletionDetails— Réglage des informations relatives à l'achèvement des tâches, notamment les suivantes :

Utilisez les critères d'achèvement de la tâche de réglage pour évaluer la probabilité que votre tâche de réglage améliore les performances de votre modèle. Les performances du modèle sont évaluées par rapport à la meilleure métrique d'objectif s'il s'est exécuté jusqu'à la fin.