すべてのプロダクト
Search

このプロダクト

    Platform For AI:DLC MNIST トレーニングのベストプラクティス

    ドキュメントセンター

    Platform For AI:DLC MNIST トレーニングのベストプラクティス

    最終更新日:Jun 22, 2026

    このトピックでは、DLC コンピューティングリソースでハイパーパラメータチューニングを行うための AutoML 実験を送信する方法を説明します。このソリューションは、PyTorch フレームワークと torchvision.datasets.MNIST モジュールを使用して、MNIST データセットを自動的にダウンロードして読み込み、最適なハイパーパラメータ設定を見つけるためにモデルをトレーニングします。トレーニングモードは、スタンドアロントレーニング、分散トレーニング、ネストされたパラメータトレーニングの 3 つから選択できます。

    前提条件

    ステップ 1：データセットの作成

    1. スクリプトファイル mnist.py を OSS バケットにアップロードしてください。詳細については、「クイックスタート」をご参照ください。

    2. 実験のデータファイルを格納するための OSS データセットを作成してください。詳細については、「データセットの作成と管理」をご参照ください。

      以下の主要なパラメータを設定し、他のパラメータはデフォルト設定のままにしてください：

      • [Dataset Name]： カスタムのデータセット名を入力します。

      • [Select Data Storage]： スクリプトファイルが格納されている OSS ディレクトリを選択します。

      • [Property]： [Property] を選択します。

    ステップ 2：実験の作成

    新しい実験 ページに移動し、次の手順に従ってキーパラメーターを設定します。その他のパラメーターの詳細については、「実験の作成」をご参照ください。設定が完了したら、Submit をクリックします。

    1. 実行設定を構成します。

      このソリューションでは、スタンドアロントレーニング、分散トレーニング、ネストされたパラメータトレーニングの 3 つのトレーニングモードを提供します。

      スタンドアロントレーニング

      パラメータ

      説明

      [Job Type]

      [DLC] を選択します。

      [Resource Group]

      [Public Resource Group] を選択します。

      [Framework]

      PyTorch を選択します。

      [Datasets]

      ステップ 1 で作成したデータセットを選択します。

      [Node Image]

      [PAI Image] > pytorch-training:1.12PAI-gpu-py38-cu113-ubuntu20.04 を選択します。

      [Instance Type]

      [CPU] > ecs.g6.4xlarge を選択します。

      [Nodes]

      1 に設定します。

      [Startup Command]

      python3 /mnt/data/mnist.py --save_model=/mnt/data/examples/search/model/model_${exp_id}_${trial_id} --batch_size=${batch_size} --lr=${lr} と設定します。

      ハイパーパラメータ

      • batch_size

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、16、32、64 の 3 つの列挙値を追加します。

      • lr

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、0.0001、0.001、0.01 の 3 つの列挙値を追加します。

      この設定により、9 つのハイパーパラメータの組み合わせが生成されます。実験では、各組み合わせに対してトライアルが作成されます。

      分散トレーニング

      パラメータ

      説明

      [Job Type]

      [DLC] を選択します。

      [Resource Group]

      [Public Resource Group] を選択します。

      [Framework]

      PyTorch を選択します。

      [Datasets]

      ステップ 1 で作成したデータセットを選択します。

      [Node Image]

      [PAI Image] > pytorch-training:1.12PAI-gpu-py38-cu113-ubuntu20.04 を選択します。

      [Instance Type]

      [CPU] > ecs.g6.4xlarge を選択します。

      [Nodes]

      3 に設定します。

      [Startup Command]

      コマンドを python -m torch.distributed.launch --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT --nproc_per_node=1 --nnodes=$WORLD_SIZE --node_rank=$RANK /mnt/data/mnist.py --data_dir=/mnt/data/examples/search/data --save_model=/mnt/data/examples/search/pai/model/model_${exp_id}_${trial_id} --batch_size=${batch_size} --lr=${lr} と設定します。

      ハイパーパラメータ

      • batch_size

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、16、32、64 の 3 つの列挙値を追加します。

      • lr

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、0.0001、0.001、0.01 の 3 つの列挙値を追加します。

      この設定により、9 つのハイパーパラメータの組み合わせが生成されます。実験では、各組み合わせに対してトライアルが作成されます。

      ネストされたパラメータトレーニング

      パラメータ

      説明

      [Job Type]

      [DLC] を選択します。

      [Resource Group]

      [Public Resource Group] を選択します。

      [Framework]

      PyTorch を選択します。

      [Datasets]

      ステップ 1 で作成したデータセットを選択します。

      [Node Image]

      [PAI Image] > pytorch-training:1.12PAI-gpu-py38-cu113-ubuntu20.04 を選択します。

      [Instance Type]

      [CPU] > ecs.g6.4xlarge を選択します。

      [Nodes]

      1 に設定します。

      [Startup Command]

      python3 /mnt/data/mnist.py --save_model=/mnt/data/examples/search/pai/model/model_${exp_id}_${trial_id} --batch_size=${nested_params}.{batch_size} --lr=${nested_params}.{lr} --gamma=${gamma} と設定します。

      ハイパーパラメータ

      • nested_params

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、{"_name":"large","{lr}":{"_type":"choice","_value":[0.02,0.2]},"{batch_size}":{"_type":"choice","_value":[256,128]}} と {"_name":"small","{lr}":{"_type":"choice","_value":[0.01,0.1]},"{batch_size}":{"_type":"choice","_value":[64,32]}} の 2 つの列挙値を追加します。

      • gamma

        • 制約タイプ： [choice] を選択します。

        • 検索スペース： image.png をクリックして、0.8、0.7、0.9 の 3 つの列挙値を追加します。

      この設定により、24 のハイパーパラメータの組み合わせが生成されます。実験では、各組み合わせに対してトライアルが作成されます。

    2. トライアル設定を構成します。

      パラメータ

      説明

      メトリクス

      メトリクスタイプ

      [stdout] を選択します。この設定により、実行中の標準出力 (stdout) から最終メトリクスが抽出されます。

      方法

      [best] を選択します。

      メトリクスの重み

      以下の項目を設定します：

      • キー： validation: accuracy=([0-9\\.]+)

      • 値： 1

      メトリクスソース

      コマンドキーワードを「cmd1」に設定します。

      最適化方向

      [Maximize] を選択します。

      モデルストレージパス

      モデルを保存するための OSS パスを設定します。このソリューションでは、パスを oss://examplebucket/examples/search/pai/model/ のように設定します。

    3. 検索設定を構成します。

      パラメータ

      説明

      検索アルゴリズム

      [TPE] を選択します。アルゴリズムの詳細については、「サポートされている検索アルゴリズム」をご参照ください。

      最大トライアル数

      3 に設定します。

      最大同時トライアル数

      2 に設定します。

      早期停止の有効化

      このスイッチをオンにすると、パフォーマンスが低いトライアルを早期に停止できます。

      開始ステップ

      5 に設定します。トライアルは、少なくとも 5 回の評価を完了した後にのみ早期停止できます。

    ステップ 3：実験詳細と結果の表示

    1. 実験リストで実験名をクリックして、[実験詳細] ページを開きます。

      [実験詳細] ページには 4 つの主要エリアがあります。[基本設定] エリアには、実験 ID、名前、可視性、ステータス、作成者、作成時刻、更新時刻が表示されます。[トライアルステータス統計] エリアには、完了、失敗、実行中、またはその他の状態にあるトライアルの数を示すドーナツチャートが表示されます。[トライアル設定] エリアには、メトリクスタイプ、計算方法、メトリクスの重みの正規表現、メトリクスソース、モデルストレージパスが含まれます。最後に、[検索設定] エリアには、検索アルゴリズム、最大トライアル数、最大同時トライアル数、最適化方向、早期停止の設定が含まれます。

      このページでは、すべてのトライアルの進捗とステータスを監視できます。実験は、検索アルゴリズムと最大トライアル数の設定に基づいて 3 つのトライアルを作成します。

    2. [Trials] タブをクリックしてください。実験用に生成されたすべてのトライアルのリストを表示でき、各トライアルのステータス、最終メトリクス、ハイパーパラメータの組み合わせが含まれます。

    関連ドキュメント

    • MaxCompute コンピューティングリソース上でハイパーパラメータチューニング実験を送信することもできます。詳細については、「MaxCompute k-means のベストプラクティス」をご参照ください。

    • AutoML の使用方法とその仕組みの詳細については、「AutoML」をご参照ください。