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。

為一或多個演算法建立超參數最佳化調校任務 (主控台)

本指南說明如何為一或多個演算法建立新的超參數最佳化 （HPO） 調校任務。若要建立HPO任務，請定義調校任務的設定，並為要調校的每個演算法建立訓練任務定義。接下來，為調校任務配置資源並建立任務。下列各節將詳細說明如何完成各個步驟。我們提供如何使用 調整多個演算法的範例 SageMaker SDK for Python 用戶端。

調校任務的元件

HPO 調校任務包含下列三個元件：

這些元件包含在HPO調校任務中的方式取決於調校任務是否包含一或多個訓練演算法。下列指南說明每個元件，並提供兩種調校任務類型的範例。

HPO 調校任務範例

若要執行超參數最佳化 （HPO） 訓練任務，請先為要調整的每個演算法建立訓練任務定義。接著，定義調校任務設定並設置調校任務的資源。最後，執行調校任務。

如果您的HPO調校任務包含單一訓練演算法， SageMaker 調校函數會HyperparameterTunerAPI直接呼叫 並傳遞參數。如果您的HPO調校任務包含多個訓練演算法，則調校函數會呼叫 HyperparameterTuner 的create函數API。create 函數會告訴 API預期字典包含一或多個估算器。

在下一節中，程式碼範例示範如何使用 調整包含單一訓練演算法或多個演算法的任務 SageMaker Python SDK.

建立訓練任務定義

當您建立包含多個訓練演算法的調校任務時，您的調校任務組態會納入估算器和指標，以及訓練任務的其他參數。因此，您需要先建立訓練任務定義，再來設置調校任務。

下列程式碼範例示範如何擷取兩個包含內建演算法的 SageMaker 容器 XGBoost 和 Linear Learner。 如果您的調校任務僅包含一個訓練演算法，請省略其中一個容器和其中一個估算器。

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,
)

接下來，透過指定訓練、驗證和測試資料集來定義輸入資料，如下列程式碼範例所示。此範例說明如何調校多個訓練演算法。

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,
    },
}

如果您的調校演算法僅包含一個訓練演算法，您的 train_inputs 應該只能包含一個估算器。

您必須先將訓練、驗證和訓練資料集的輸入上傳到 Amazon S3 儲存貯體，才能在HPO調校任務中使用。

定義調校任務的資源和設定

本節說明如何初始化調校器、定義資源以及指定調校任務的任務設定。如果您的調校任務包含多個訓練演算法，這些設定會套用至調校任務中所含的全部演算法。本節提供兩個定義調校器的程式碼範例。程式碼範例會示範如何最佳化單一訓練演算法，並附上如何調校多個訓練演算法的範例。

調校單一訓練演算法

下列程式碼範例示範如何初始化調諧器，並為一個 SageMaker 內建演算法設定超參數範圍，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,
)       

調校多個訓練演算法

每個訓練任務都需要不同的組態，而這些設定會透過使用字典來指定。下列程式碼範例示範如何使用兩個 SageMaker 內建演算法的組態來初始化調諧器，XGBoost 以及 Linear Learner。 程式碼範例也會示範如何設定調校策略和其他任務設定，例如調校任務的運算資源。下列程式碼範例使用 metric_definitions_dict，而此為選用項目。

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,
)          

執行HPO調校任務

現在，您可以透過將訓練輸入傳遞給 HyperparameterTuner 類別的 fit 函式，來執行調校任務。下列程式碼範例會示範如何將 train_inputs 參數 (已在上個程式碼範例中定義) 傳遞給您的調校器。

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