本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
超级参数和 HPO
您可以在训练前指定超参数,以便针对您的特定用例优化经过训练的模型。这与模型参数相反,后者的值在训练过程中确定。
超参数是使用 algorithmHyperParameters
键指定的,该键是传递到 CreateSolution 操作的 SolutionConfig 对象的一部分。
的精简版CreateSolution
以下请求。此示例包括solutionConfig
对象。你用solutionConfig
来覆盖配方的默认参数。
{ "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" } }, }, }
使用不同超级参数的不同配方。有关可用的超级参数,请参阅步骤 1:选择食谱中的各个配方。
启用超参数优化
超参数优化 (HPO) 或调整是针对特定学习目标选择最佳超参数的任务。最佳超级参数是通过运行使用来自指定可能性范围的不同值的很多训练任务确定的。默认情况下,Amazon Personalize 不执行 HPO。要使用 HPO,请将 performHPO
设置为 true
,并包含 hpoConfig
对象。
超参数可以是分类值、连续值或整数值。hpoConfig
对象具有与所有这些类型对应的键,您可以在其中指定超级参数及其范围。您必须在请求中提供每种类型,但如果配方没有类型的参数,则可以将其留空。例如,用户个性化没有连续类型的可调超参数。所以对于continousHyperParameterRange
,则会传递空数组。
以下代码演示如何使用SDK for Python (Boto3) 创建启用了 HPO 的解决方案。示例中的解决方案使用用户个性化配方食谱并将 HPO 设置为true
. 此代码为hidden_dimension
和categoricalHyperParameterRanges
和integerHyperParameterRanges
. 这些区域有:continousHyperParameterRange
为空,并且hpoResourceConfig
设置maxNumberOfTrainingJobs
和maxParallelTrainingJobs
.
create_solution_response = personalize.create_solution( name = solutionName, 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" } } } )
有关 HPO 的更多信息,请参阅自动调整模型.
查看超级参数
您可以通过以下方式查看该解决方案的超级参数:DescribeSolutionoperation. 以下示例显示了DescribeSolution
输出。创建解决方案版本(训练模型)后,您还可以使用DescribeSolutionVersionoperation.
{ "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" } }