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：
-
如果您使用的是Amazon SDK for Python (Boto3)，请将用于配置优化作业的
HyperParameterTuningJobConfig对象TrainingJobEarlyStoppingType字段设置为AUTO。 -
如果您使用的是亚马逊 SageMaker Python SDK
，请将HyperParameterTuner 对象的 early_stopping_type参数设置为Auto。 -
在 Amazon SageMaker 控制台的创建超参数调整任务工作流程中，在 “提前停止” 下，选择 “自动”。
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/hopo_image_classification_early_stopping.ipynbhpo_image_classification_early_stopping.ipynb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
当您为超参数优化作业启用提前停止时，会按如下方式 SageMaker 评估超参数调整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的值差（最小化时更高，或在最大化目标指标时更低）小于在同一时期之前的训练作业的目标指标的运行平均值的中位值，则 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。以下内置 SageMaker 算法支持提前停止：
-
线性学习器算法—仅当您使用
objective_loss作为目标指标时才支持。
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。有关信息，请参阅 tf.keras.callbacks。 ProgbarLogger API。 - MXNet
-
请使用
mxnet.callback.LogValidationMetricsCallback。有关信息，请参阅 mxnet.callback API。 - Chainer
-
使用
extensions.Evaluator类扩展 chainer。有关信息，请参阅 Chainer.trainin.extensions.Evaluator 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。