本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用 SageMaker AI 執行自動模型調校
<a name="automatic-model-tuning"></a>

Amazon SageMaker AI 自動模型調校 (AMT) 會透過在您的資料集上執行許多訓練任務，來尋找最佳版本的模型。Amazon SageMaker AI 自動模型調校 (AMT)，也稱為超參數調校。為此，AMT 會使用您指定的演算法和超參數範圍。它接著會根據您選擇的指標，選擇可讓模型取得最佳執行結果的超參數值。

例如，在行銷資料集上執行*[二進制分類](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#binary-classification-model)*問題。您的目標是透過訓練 [XGBoost 演算法搭配 Amazon SageMaker AI](xgboost.md) 模型，將演算法*[曲線指標下的面積 (AUC)](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#AUC)* 最大化。建議您尋找可訓練最佳模型的 `eta`、`alpha`、`min_child_weight` 和 `max_depth` 超參數值。指定這些超參數值的範圍。接著，SageMaker AI 超參數調校會在範圍內搜尋，找出可建立 AUC 最高之模型的訓練任務組合。如要節省資源或符合特定模型品質的期望，請設定完成標準，以便在符合條件後停止調校。

針對機器學習架構，您可以搭配使用 SageMaker AI AMT 與內建演算法、自訂演算法或 SageMaker AI 預先建置的容器。

SageMaker AI AMT 可以使用 Amazon EC2 Spot 執行個體在執行訓練任務時最佳化成本。如需詳細資訊，請參閱[Amazon SageMaker AI 中的受管 Spot 訓練](model-managed-spot-training.md)。

開始使用超參數調校之前，您應該擁有明確定義的機器學習問題，包括：
+ 資料集
+ 了解您要訓練的演算法類型
+ 清楚了解如何衡量是否成功

請備妥您的資料集和演算法，使其能在 SageMaker AI 中運作，並成功執行訓練任務至少一次。如需設定和執行訓練任務的詳細資訊，請參閱[使用 Amazon SageMaker AI 進行設定的指南](gs.md)。

**Topics**
+ [了解 Amazon SageMaker AI 中可用的超參數調校策略](automatic-model-tuning-how-it-works.md)
+ [定義指標和環境變數](automatic-model-tuning-define-metrics-variables.md)
+ [定義超參數範圍](automatic-model-tuning-define-ranges.md)
+ [追蹤並設定調校任務的完成標準](automatic-model-tuning-progress.md)
+ [使用超參數最佳化調校多個演算法，以找出最佳模型](multiple-algorithm-hpo.md)
+ [範例：超參數調校任務](automatic-model-tuning-ex.md)
+ [提前停止訓練任務](automatic-model-tuning-early-stopping.md)
+ [執行超參數調校任務的暖啟動](automatic-model-tuning-warm-start.md)
+ [自動模型調校資源限制](automatic-model-tuning-limits.md)
+ [超參數調校的最佳實務](automatic-model-tuning-considerations.md)