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) 調整工作。若要建立HPO工作，請定義調整工作的設定，並為要調整的每個演算法建立訓練工作定義。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。我們在本指南末尾提供如何使用 to Python client SageMaker SDK 來調整多個演算法的範例。

調校任務的元件

HPO調整工作包含下列三個元件：

調整工作中包含這些元件的方式取決於您的HPO調整工作是否包含一個或多個訓練演算法。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調整工作示例

若要執行超參數最佳化 (HPO) 訓練工作，請先為每個正在調整的演算法建立訓練工作定義。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調整工作包含單一訓練演算法， SageMaker 調整函數會HyperparameterTunerAPI直接呼叫並傳入您的參數。如果您的HPO調整工作包含多個訓練演算法，您的調整函數將呼叫的create函數HyperparameterTunerAPI。該create函數告訴期API望包含一個或多個估計器的字典。

在下一節中，程式碼範例說明如何使用調整包含單一訓練演算法或多重演算法的工作 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。

下列程式碼範例會示範如何擷取兩個包含內建演算法XGBoost和的 SageMaker 容器Linear Learner。如果您的調校工作僅包含一個訓練演算法，則請略過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，然後才能在HPO調整任務中使用這些資料集。

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

下列程式碼範例會示範如何初始化調諧器，XGBoost以及如何為一個 SageMaker 內建演算法設定超參數範圍。

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，以XGBoost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,
)          

執行調HPO整工作

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 ={})