トレーニングジョブを早期停止する - アマゾン SageMaker
早期停止の仕組み早期停止をサポートするアルゴリズム

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

トレーニングジョブを早期停止する

目標メトリクスで測定して、ハイパーパラメータ調整ジョブが大幅に改善されていない場合は、ハイパーパラメータ調整ジョブが開始したトレーニングジョブを早期に停止します。トレーニングジョブを早期停止すると、計算時間が短縮され、モデルの過剰な作成を防ぐことができます。トレーニングパラメータを早期に停止するようにハイパーパラメータ調整ジョブを構成するには、次のいずれかを実行します。

  • を使用している場合AWSSDK for Python (Boto3) をリリースするTrainingJobEarlyStoppingType次を使用できます。HyperParameterTuningJobConfigチューニングジョブの設定に使用するオブジェクトAUTO。

  • を使用している場合アマゾン SageMaker Python SDK、を設定しますearly_stopping_typeのパラメータHyperParameterTunerへの連携Auto。

  • アマゾンで SageMaker コンソールではハイパーパラメータチューニングジョブの作成ワークフロー、の管理早期停止、選択オート。

アーリーストップの使用方法を示すサンプルノートブックについては、https://github.com/awslabs/amazon-sagemaker-examples/blob/master/hyperparameter_tuning/image_classification_early_stopping/hpo_image_classification_early_stopping.ipynbまたは開くhpo_image_classification_early_stopping.ipynbのノートブックトレーニングジョブのプロファイリング次を使用できます。SageMaker 例:ノートブックインスタンスで ノートブックインスタンスでのサンプルノートブックの使用方法については、「サンプルノートブック」を参照してください。

早期停止の仕組み

ハイパーパラメータのチューニングジョブの並列 (同時) 実行トレーニングジョブ数: SageMaker は、ハイパーパラメータ調整ジョブが起動する各トレーニングジョブを次のように評価します。

  • トレーニングの各エポックの後で、目標メトリクスの値を取得します。

  • 同じエポックまでの過去のすべてのトレーニングジョブについて目標メトリクスの移動平均を計算してから、すべての移動平均の中央値を計算します。

  • 現在のトレーニングジョブにおける目標メトリクスの値が、同じエポックまでの過去のトレーニングジョブにおける目標メトリクスの移動平均の中央値よりも悪い (目標メトリクスが最小化されると高くなり、最大化されると低くなる) 場合、 SageMaker 現在のトレーニングジョブを停止します。

早期停止をサポートするアルゴリズム

早期停止をサポートするために、アルゴリズムは各エポックについて目標メトリクスを発行する必要があります。次のビルトイン SageMaker アルゴリズムは早期停止をサポートします。

注記

早期停止をサポートするこの組み込みアルゴリズムのリストは、2018 年 12 月 13 日現在のものです。他の組み込みアルゴリズムは、今後、早期停止をサポートする可能性があります。アルゴリズムが、ハイパーパラメータ調整ジョブの目標メトリクスとして使用できるメトリクス (可能であれば検証メトリクス) を発行する場合は、早期停止をサポートします。

独自のアルゴリズムで早期停止を使用するには、各エポックの後に目標メトリクスの値を発行するようにアルゴリズムを記述する必要があります。次のリストは、さまざまなフレームワークでこれを実行する方法を示しています。

TensorFlow

tf.keras.callbacks.ProgbarLogger クラスを使用します。詳細については、以下のようになります。tf.keras.コールバック。ProgbarLogger API。

MXNet

mxnet.callback.LogValidationMetricsCallback を使用します。詳細については、「mxnet.callback API」を参照してください。

Chainer

extensions.Evaluator クラスを使用して Chainer を拡張します。詳細については、「chainer.training.extensions.Evaluator API」を参照してください。

PyTorch とスパーク

高レベルのサポートはありません。目標メトリクスを計算し、各エポックの後でそれらをログに書き込むように、明示的にトレーニングコードを記述する必要があります。