提前停止训练作业 - Amazon SageMaker
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

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。

提前停止训练作业

在按照目标指标进行衡量时,如果训练作业未能明显改进,则可提前停止超参数优化作业启动的训练作业。提前停止训练作业有助于减少计算时间,并帮助您避免过度拟合模型。要配置超参数调整作业以尽早停止训练作业,请执行以下操作之一:

有关演示如何使用提前停止的示例笔记本,请参阅https://github.com/awslabs/amazon-sagemaker-examples/blob/master/hyperparameter_tuning/image_classification_early_stopping/hpo_image_classification_early_stopping.ipynb或者打开hpo_image_classification_early_stopping.ipynb中的笔记本超参数优化的 部分SageMaker 示例在笔记本实例中。有关在笔记本实例中使用示例笔记本的信息,请参阅示例笔记本

提前停止的工作原理

在您为超参数优化作业启用提前停止时, SageMaker 如下所示评估超参数优化作业启动的每个训练作业:

  • 在每个训练周期结束后,获取对象指标的值。

  • 计算直至当前周期的所有之前训练作业的目标指标运行平均值,然后计算所有运行平均值的中值。

  • 如果当前训练作业的目标指标值(在最小化目标指标时更高,或者在最大化目标指标时更低)比直至同一时期之前训练作业的目标指标运行平均值的中值更糟糕, SageMaker 停止当前的训练作业。

支持提前停止的算法

要支持提前停止,算法必须为每个周期发出目标指标。内置以下内置 SageMaker 算法支持提前停止:

注意

当前支持提前停止的内置算法列表截止到 2018 年 12 月 13 日。之后其他内置算法可能会支持提前停止。如果算法发出的指标可用作超参数优化作业的目标指标(最好是验证指标),则它支持提前停止。

要在您自己的算法中使用提前停止,您编写的算法必须在每个周期后发出目标指标的值。以下列表演示了如何在不同框架中实现这一点:

TensorFlow

使用 tf.keras.callbacks.ProgbarLogger 类。有关更多信息,请参阅tf.keras.callbacks.probarlogger API.

MXNet

使用 mxnet.callback.LogValidationMetricsCallback。有关更多信息,请参阅mxnet.callback API.

Chainer

使用 extensions.Evaluator 类扩展 chainer。有关更多信息,请参阅链人。培训。扩展。评估器 API.

PyTorch 和 Spark

没有高级支持。您必须明确编写训练代码,以便其计算目标指标并在每个周期之后写入日志。