超參數和 HPO

重要

建立解決方案之後，就無法變更其設定。根據預設，所有新的解決方案都使用自動訓練。透過自動訓練，您可以在解決方案啟用時產生訓練費用。為避免不必要的成本，請務必在完成後刪除解決方案。如需有關訓練費用的資訊，請參閱 Amazon Personalize 定價。

您可以在訓練前指定超參數，以針對特定使用案例最佳化訓練過的模型。這與模型參數不同，模型參數的值在訓練過程中決定。

使用 algorithmHyperParameters 金鑰 (這是傳送到 CreateSolution 操作之 SolutionConfig 物件的一部分) 來指定超參數。

CreateSolution請求的簡明版本如下。此範例包括solutionConfig物件。您可solutionConfig以用來覆寫配方的預設參數。

{
  "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"
          }
      },
  },
}

不同的配方使用不同的超參數。如需可用的超參數，請參閱選擇食譜中的個別配方。

啟用超參數最佳化

超參數最佳化 (HPO) 或調校是針對特定學習目標選擇最佳超參數的任務。透過使用來自指定可能性範圍的不同值以執行許多訓練任務，來決定最佳超參數。

透過使用者個人化 V2 和個人化排名第 2 版，如果您開啟自動訓練，Amazon Personalize 人化會每 90 天自動執行一次 HPO。如果沒有自動訓練，就不會發生 HPO。對於所有其他食譜，您必須啟用 HPO。若要使用 HPO，請將 performHPO 設定為 true，並包含 hpoConfig 物件。

超參數可以是分類、持續或整數值。hpoConfig 物件擁有對應到每個類型的金鑰，您在其中指定超參數及其範圍。您必須在請求中提供每種類型，但如果方案沒有類型的參數，則可以將其保留空白。例如，使用者個人化沒有連續型別的可調整超參數。因此continousHyperParameterRange，對於，您將傳遞一個空的陣列。

下面的代碼演示了如何創建一個解決方案與 HPO 使用的 SDK 啟用了 Python（Boto3）。範例中的解決方案使用用戶個性化配方配方，並將 HPO 設定為true。程式碼會為hidden_dimension和提供值integerHyperParameterRanges。categoricalHyperParameterRangescontinousHyperParameterRange是空的，而且會hpoResourceConfig設定maxNumberOfTrainingJobs和maxParallelTrainingJobs。

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"
          }
        }
    }
)

如需 HPO 的詳細資訊，請參閱自動模型微調。

檢視超參數

您可以呼叫DescribeSolution作業來檢視解決方案的超參數。下面的示例顯示了一個DescribeSolution輸出。建立解決方案版本 (訓練模型) 之後，您也可以透過DescribeSolutionVersion作業檢視超參數。

{
  "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"
  }
}