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。

为一个或多个算法创建超参数优化调优作业（控制台）

本指南介绍如何为一个或多个算法创建新的超参数优化 (HPO) 调整作业。要创建HPO作业，请定义调整作业的设置，并为正在调整的每种算法创建训练作业定义。接下来，为调优作业配置资源并创建调优作业。以下各部分提供了有关如何完成每个步骤的详细信息。我们举了一个示例，说明如何使用调整多种算法 SageMaker SDK for Python 本指南末尾的客户。

调优作业的组件

HPO调优作业包含以下三个组成部分：

调整作业中包含这些组件的方式取决于您的HPO调优作业是包含一个还是多个训练算法。以下指南描述了每个组件，并列举了两种调优作业类型的示例。

HPO调优作业示例

要运行超参数优化 (HPO) 训练作业，请先为每个正在调整的算法创建一个训练作业定义。接下来，定义调优作业设置并配置调优作业的资源。最后，运行调优作业。

如果您的HPO调优作业包含单个训练算法，则 SageMaker 调整函数将HyperparameterTunerAPI直接调用并传入您的参数。如果您的HPO调优作业包含多个训练算法，则您的调优函数将调用的create函数HyperparameterTunerAPI。该create函数告诉API期待一个包含一个或多个估计器的字典。

在下一节中，代码示例展示了如何使用以下方法调整包含单个训练算法或多个算法的作业 SageMaker Python SDK.

创建训练作业定义

您在创建包含多个训练算法的调优作业时，调优作业配置将包括训练作业的评估程序和指标以及其他参数。因此，您需要先创建训练作业定义，然后再配置调优作业。

以下代码示例显示如何检索两个包含内置算法的 SageMaker 容器 XGBoost 和 Linear Learner。 如果您的调优作业仅包含一种训练算法，则省略其中一个容器和一个估计器。

import sagemaker
from sagemaker import image_uris

from sagemaker.estimator import Estimator

sess = sagemaker.Session()
region = sess.boto_region_name
role = sagemaker.get_execution_role()

bucket = sess.default_bucket()
prefix = "sagemaker/multi-algo-hpo"

# Define the training containers and intialize the estimators
xgb_container = image_uris.retrieve("xgboost", region, "latest")
ll_container = image_uris.retrieve("linear-learner", region, "latest")

xgb_estimator = Estimator(
    xgb_container,
    role=role,
    instance_count=1,
    instance_type="ml.m4.xlarge",
    output_path='s3://{}/{}/xgb_output".format(bucket, prefix)',
    sagemaker_session=sess,
)

ll_estimator = Estimator(
    ll_container,
    role,
    instance_count=1,
    instance_type="ml.c4.xlarge",
    output_path="s3://{}/{}/ll_output".format(bucket, prefix),
    sagemaker_session=sess,
)

# Set static hyperparameters
ll_estimator.set_hyperparameters(predictor_type="binary_classifier")
xgb_estimator.set_hyperparameters(
    eval_metric="auc",
    objective="binary:logistic",
    num_round=100,
    rate_drop=0.3,
    tweedie_variance_power=1.4,
)

接下来，通过指定训练、验证和测试数据集来定义输入数据，如以下代码示例中所示。此示例演示了如何调整多个训练算法。

training_data = sagemaker.inputs.TrainingInput(
    s3_data="s3://{}/{}/train".format(bucket, prefix), content_type="csv"
)
validation_data = sagemaker.inputs.TrainingInput(
    s3_data="s3://{}/{}/validate".format(bucket, prefix), content_type="csv"
)
test_data = sagemaker.inputs.TrainingInput(
    s3_data="s3://{}/{}/test".format(bucket, prefix), content_type="csv"
)

train_inputs = {
    "estimator-1": {
        "train": training_data,
        "validation": validation_data,
        "test": test_data,
    },
    "estimator-2": {
        "train": training_data,
        "validation": validation_data,
        "test": test_data,
    },
}

如果调优算法仅包含一个训练算法，则 train_inputs 应仅包含一个评估程序。

您必须先将训练、验证和训练数据集的输入上传到您的 Amazon S3 存储桶，然后才能在HPO调整作业中使用这些数据。

为调优作业定义资源和设置

本部分将介绍如何初始化调优程序、定义资源以及为调优作业指定作业设置。如果调优作业包含多个训练算法，则这些设置将应用于调优作业中包含的所有算法。本部分提供了两个定义调优程序的代码示例。代码示例将演示如何优化单个训练算法，其后是如何调整多个训练算法的示例。

调整单个训练算法

以下代码示例显示了如何初始化调谐器并为一个 SageMaker 内置算法设置超参数范围，XGBoost.

from sagemaker.tuner import HyperparameterTuner
from sagemaker.parameter import ContinuousParameter, IntegerParameter

hyperparameter_ranges = {
    "max_depth": IntegerParameter(1, 10),
    "eta": ContinuousParameter(0.1, 0.3),
}

objective_metric_name = "validation:accuracy"

tuner = HyperparameterTuner(
    xgb_estimator,
    objective_metric_name,
    hyperparameter_ranges,
    objective_type="Maximize",
    max_jobs=5,
    max_parallel_jobs=2,
)       

调整多个训练算法

每个训练作业需要不同的配置，这些配置使用字典指定。以下代码示例显示了如何使用两个 SageMaker 内置算法的配置初始化调谐器，XGBoost 以及 Linear Learner。 该代码示例还展示了如何设置调整策略和其他作业设置，例如调优作业的计算资源。以下代码示例使用了 metric_definitions_dict，这是一个可选项。

from sagemaker.tuner import HyperparameterTuner
from sagemaker.parameter import ContinuousParameter, IntegerParameter

# Initialize your tuner
tuner = HyperparameterTuner.create(
    estimator_dict={
        "estimator-1": xgb_estimator,
        "estimator-2": ll_estimator,
    },
    objective_metric_name_dict={
        "estimator-1": "validation:auc",
        "estimator-2": "test:binary_classification_accuracy",
    },
    hyperparameter_ranges_dict={
        "estimator-1": {"eta": ContinuousParameter(0.1, 0.3)},
        "estimator-2": {"learning_rate": ContinuousParameter(0.1, 0.3)},
    },
    metric_definitions_dict={
        "estimator-1": [
            {"Name": "validation:auc", "Regex": "Overall test accuracy: (.*?);"}
        ],
        "estimator-2": [
            {
                "Name": "test:binary_classification_accuracy",
                "Regex": "Overall test accuracy: (.*?);",
            }
        ],
    },
    strategy="Bayesian",
    max_jobs=10,
    max_parallel_jobs=3,
)          

运行你的HPO调优作业

现在，您可以将训练输入传递给 HyperparameterTuner 类的 fit 函数，以运行调优作业。以下代码示例演示了如何将上个代码示例中定义的 train_inputs 参数传递给您的调优程序。

tuner.fit(inputs=train_inputs, include_cls_metadata ={}, estimator_kwargs ={})