トレーニングジョブを早期停止する - Amazon SageMaker AI
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。

  • AWS SDK for Python (Boto3) を使用している場合は、チューニングジョブの設定に使用する HyperParameterTuningJobConfig オブジェクトの TrainingJobEarlyStoppingTypeフィールドを に設定しますAUTO。

  • Amazon SageMaker Python SDK を使っている場合は、HyperParameterTuner オブジェクトの early_stopping_type パラメータを Auto に設定します。

  • Amazon SageMaker AI コンソールで、ハイパーパラメータ調整ジョブの作成ワークフローの「早期停止」で、「自動」を選択します。

早期停止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://」を参照するか、hpo_image_classification_early_stopping.ipynbノートブックインスタンスの SageMaker AI の例の「ハイパーパラメータチューニング」セクションでノートブックを開きます。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にアクセスする」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調整ジョブの早期停止を有効にすると、SageMaker AI 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の目標メトリクスの値が、同じエポックまでの以前のトレーニングジョブの目標メトリクスの実行平均の中央値よりも悪い場合 (目標メトリクスを最小化する場合は高くなるか、最大化する場合は低くなる）、SageMaker AI は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。次の組み込み SageMaker AI アルゴリズムは、早期停止をサポートしています。

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、「tf.keras.callbacks.ProgbarLogger API」を参照してください。

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 Spark

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。