AutoML は、実験、試行、およびトレーニング タスクを反復することでハイパーパラメーターの微調整を自動化し、最適なハイパーパラメーターの組み合わせを見つけます。
次の図は、AutoML のメカニズムを示しています。
ハイパーパラメーターの値の範囲、検索アルゴリズム、および実験を停止する条件を構成すると、AutoML は構成に基づいて実験を構成します。
実験では、構成されたアルゴリズムに基づいて複数のハイパーパラメーターの組み合わせが生成されます。各試行では、1 つのハイパーパラメーターの組み合わせを使用してモデルをトレーニングします。
説明複数の試行を同時に実行するように構成して、モデルのトレーニングを高速化できます。ただし、これによりリソース コストが増加します。
試行では、1 つのハイパーパラメーターの組み合わせに基づいて 1 つ以上の計算タスクが実行されます。タスクは、汎用計算リソースまたはインテリジェント コンピューティング LINGJUN リソースで実行される DLC ジョブ、または MaxCompute 計算リソースで実行される MaxCompute タスクです。トレーニングの課金、構成方法、およびリソース使用量は、タスクが DLC ジョブか MaxCompute タスクかによって異なります。
実験を開始すると、AutoML はタスク メトリックを継続的に監視します。
実験の停止条件（最大検索回数に達した場合、アルゴリズムの停止条件が満たされた場合、またはすべての組み合わせの計算が完了した場合など）がトリガーされると、実験は停止します。
AutoML は結果を返します。結果は、ハイパーパラメーターの組み合わせ、または各試行の最適なモデルです。モデルを表示するには、モデル ストレージ パスを指定する必要があります。ログで結果を表示することもできます。
実験を開始する前に、AutoML の前述の動作原理に基づいて、いくつかの種類のパラメーターを構成する必要があります。パラメーターには、基本的な実験構成、試行構成、DLC または MaxCompute タスク構成、およびハイパーパラメーター検索構成が含まれます。