本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
提前停止训练作业
在按照目标指标进行衡量时，如果训练作业未能明显改进，则可提前停止超参数调优作业启动的训练作业。提前停止训练作业有助于减少计算时间，并帮助避免模型过度拟合。要配置超参数调优作业以提前停止训练作业，请执行以下操作之一：
-
如果您使用的是 AWS SDK适用于 Python (Boto3) 的，请将用于配置调优作业的
HyperParameterTuningJobConfig对象的TrainingJobEarlyStoppingType字段设置为。AUTO -
如果您使用的是 Amaz SageMaker on Python SDK
，请将HyperParameterTuner 对象的 early_stopping_type参数设置为Auto。 -
在 Amazon SageMaker 控制台的 “创建超参数调整任务” 工作流程中，在 “提前停止” 下，选择 “自动”。
有关演示如何使用提前停止的示例笔记本，请参阅 https://github.com/awslabs/amazon-sagemaker-examples/blob/master/hyperparameter_tuning/image_classition_early_stopping/hpo_image_classition_early_stopping.ipynb 或者在笔记本实例中示例的 “超参数hpo_image_classification_early_stopping.ipynb SageMaker 有关在笔记本实例中使用示例笔记本的信息，请参阅访问示例笔记本。
提前停止的工作原理
当为超参数调整作业启用提早停止时，会按如下 SageMaker 方式评估超参数调整作业启动的每个训练作业：
-
在每个训练周期结束后，获取对象指标的值。
-
计算直至当前周期的所有之前训练作业的目标指标运行平均值，然后计算所有运行平均值的中值。
-
如果当前训练作业的目标指标值差（最小化时更高，或者在最大化目标指标时更低）比在同一时期之前的训练作业的目标指标的运行平均值中位数差，则 SageMaker 停止当前的训练作业。
支持提前停止的算法
要支持提前停止，算法必须为每个周期发出目标指标。以下内置 SageMaker 算法支持提前停止：
-
线性学习器算法 – 仅当使用
objective_loss作为目标指标时支持。
注意
当前支持提前停止的内置算法列表截止到 2018 年 12 月 13 日。之后其他内置算法可能会支持提前停止。如果算法发出的指标可用作超参数调优作业的目标指标（最好是验证指标），则它支持提前停止。
要在您自己的算法中使用提前停止，您编写的算法必须在每个周期后发出目标指标的值。以下列表演示了如何在不同框架中实现这一点：
- TensorFlow
-
使用
tf.keras.callbacks.ProgbarLogger类。有关信息，请参阅 tf.keras.callbacks。 ProgbarLogger API。 - MXNet
-
使用
mxnet.callback.LogValidationMetricsCallback。有关信息，请参阅 mxnet APIs.callback。 - Chainer
-
使用
extensions.Evaluator类扩展 chainer。有关信息，请参阅 Chainer.training.extensions.Evaluator API。 - PyTorch 还有 Spark
-
没有高级支持。您必须明确编写训练代码，以便其计算目标指标并在每个周期之后写入日志。
