Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Hyperparameter und HPO
Wichtig
Nachdem Sie eine Lösung erstellt haben, können Sie ihre Konfiguration nicht mehr ändern. Standardmäßig verwenden alle neuen Lösungen automatisches Training. Bei der automatischen Schulung fallen für Sie Schulungskosten an, solange Ihre Lösung aktiv ist. Um unnötige Kosten zu vermeiden, stellen Sie sicher, dass Sie die Lösung löschen, wenn Sie fertig sind. Informationen zu den Schulungskosten finden Sie unter Amazon Personalize Personalize-Preise
Sie geben vor dem Training Hyperparameter an, um das trainierte Modell für Ihren speziellen Anwendungsfall zu optimieren. Im Gegensatz dazu stehen Modellparameter, deren Werte während des Schulungsprozesses ermittelt werden.
Hyperparameter werden über den algorithmHyperParameters
-Schlüssel angegeben, der Teil des SolutionConfig-Objekts ist, das an die CreateSolution-Operation übergeben wird.
Eine komprimierte Version der CreateSolution
Anfrage finden Sie weiter unten. Das Beispiel beinhaltet das solutionConfig
Objekt. Sie verwendensolutionConfig
, um die Standardparameter eines Rezepts zu überschreiben.
{ "name": "string", "recipeArn": "string", "eventType": "string", "solutionConfig": { "optimizationObjective": { "itemAttribute": "string", "objectiveSensitivity": "string" }, "eventValueThreshold": "string", "featureTransformationParameters": { "string" : "string" }, "algorithmHyperParameters": { "string" : "string" }, "hpoConfig": { "algorithmHyperParameterRanges": { ... }, "hpoResourceConfig": { "maxNumberOfTrainingJobs": "string", "maxParallelTrainingJobs": "string" } }, }, }
Unterschiedliche Rezepte verwenden unterschiedliche Hyperparameter. Die verfügbaren Hyperparameter finden Sie in den einzelnen Rezepten unter Ein Rezept wählen.
Aktivierung der Hyperparameter-Optimierung
Hyperparameter-Optimierung (Hyper-Parameter Optimization, HPO), oder Feineinstellung, bezeichnet die Wahl optimaler Hyperparameter für ein bestimmtes Lernziel. Die optimalen Hyperparameter werden ermittelt, indem viele Schulungen mit unterschiedlichen Werten aus den vorgegebenen Möglichkeiten durchgeführt werden.
Wenn Sie bei User-Personalization-v2 und Personalized-Ranking-v2 die automatische Schulung aktivieren, führt Amazon Personalize HPO automatisch alle 90 Tage durch. Ohne automatisches Training findet kein HPO statt. Für alle anderen Rezepte müssen Sie HPO aktivieren. Um HPO zu verwenden, stellen Sie performHPO
auf true
ein und binden Sie das hpoConfig
-Objekt ein.
Hyperparameter können kategorische, kontinuierliche oder Ganzzahl-Werte sein. Das hpoConfig
-Objekt verfügt über Schlüssel, die jedem dieser Typen entsprechen, wobei Sie die Hyperparameter und deren Bereiche angeben. Sie müssen jeden Typ in Ihrer Anfrage angeben, aber wenn ein Rezept keinen Parameter eines Typs hat, können Sie ihn leer lassen. Beispielsweise verfügt die Benutzerpersonalisierung nicht über einen einstellbaren Hyperparameter vom Typ Continuous. Für den würden Sie continousHyperParameterRange
also ein leeres Array übergeben.
Der folgende Code zeigt, wie Sie mithilfe des SDK for Python (Boto3) eine Lösung mit aktiviertem HPO erstellen. Die Lösung im Beispiel verwendet das Rezept für Benutzerpersonalisierung Rezept und HPO ist auf eingestellt. true
Der Code stellt einen Wert für hidden_dimension
und und bereit. categoricalHyperParameterRanges
integerHyperParameterRanges
Der continousHyperParameterRange
ist leer und der hpoResourceConfig
setzt den Wert maxNumberOfTrainingJobs
undmaxParallelTrainingJobs
.
import boto3 personalize = boto3.client('personalize') create_solution_response = personalize.create_solution( name = "solution name", datasetGroupArn = 'arn:aws:personalize:region:accountId:dataset-group/datasetGroupName', recipeArn = 'arn:aws:personalize:::recipe/aws-user-personalization', performHPO = True, solutionConfig = { "algorithmHyperParameters": { "hidden_dimension": "55" }, "hpoConfig": { "algorithmHyperParameterRanges": { "categoricalHyperParameterRanges": [ { "name": "recency_mask", "values": [ "true", "false"] } ], "integerHyperParameterRanges": [ { "name": "bptt", "minValue": 2, "maxValue": 22 } ], "continuousHyperParameterRanges": [ ] }, "hpoResourceConfig": { "maxNumberOfTrainingJobs": "4", "maxParallelTrainingJobs": "2" } } } )
Weitere Informationen zu HPO finden Sie unter Automatische Modelloptimierung.
Hyperparameter anzeigen
Sie können die Hyperparameter der Lösung anzeigen, indem Sie die Operation aufrufen. DescribeSolution Das folgende Beispiel zeigt eine DescribeSolution
Ausgabe. Nachdem Sie eine Lösungsversion erstellt (ein Modell trainiert) haben, können Sie mit der DescribeSolutionVersion Operation auch Hyperparameter anzeigen.
{ "solution": { "name": "hpo_coonfig_solution", "solutionArn": "arn:aws:personalize:region:accountId:solution/solutionName", "performHPO": true, "performAutoML": false, "recipeArn": "arn:aws:personalize:::recipe/aws-user-personalization", "datasetGroupArn": "arn:aws:personalize:region:accountId:dataset-group/datasetGroupName", "eventType": "click", "solutionConfig": { "hpoConfig": { "hpoResourceConfig": { "maxNumberOfTrainingJobs": "4", "maxParallelTrainingJobs": "2" }, "algorithmHyperParameterRanges": { "integerHyperParameterRanges": [ { "name": "training.bptt", "minValue": 2, "maxValue": 22 } ], "continuousHyperParameterRanges": [], "categoricalHyperParameterRanges": [ { "name": "data.recency_mask", "values": [ "true", "false" ] } ] } }, "algorithmHyperParameters": { "hidden_dimension": "55" } }, "status": "ACTIVE", "creationDateTime": "2022-07-08T12:12:48.565000-07:00", "lastUpdatedDateTime": "2022-07-08T12:12:48.565000-07:00" } }