How to use AutoML - Platform For AI: Central de Documentação do Alibaba Cloud

Ajustar hiperparâmetros manualmente é demorado e propenso a erros em grande escala. O PAI AutoML automatiza a otimização de hiperparâmetros (HPO), permitindo encontrar a melhor configuração de modelo com mais rapidez e menos desperdício de computação.

Conceitos

Hiperparâmetro: Parâmetros externos definidos antes do início do treinamento do modelo. Diferentemente dos parâmetros do modelo, atualizados continuamente durante o treinamento, os hiperparâmetros permanecem fixos ao longo de toda a execução.
Otimização de hiperparâmetros (HPO): Processo de encontrar os valores ideais de hiperparâmetros para um modelo. Neste tópico, HPO refere-se ao service AutoML que pesquisa e ajusta hiperparâmetros automaticamente, liberando os desenvolvedores de algoritmos para se concentrarem na modelagem.
Espaço de busca: O intervalo de valores possíveis de hiperparâmetros que o AutoML explora ao buscar a combinação ideal.
Experimento: Uma sessão de busca executada pelo AutoML para encontrar a melhor combinação de hiperparâmetros dentro do espaço de busca definido.
Trial: Uma única execução que envolve treinamento, geração e avaliação de modelo com uma combinação específica de hiperparâmetros. Um experimento execute múltiplos trials e compara os resultados para identificar a combinação ideal. Para mais informações, consulte How AutoML works.
Tipo de job: O ambiente de computação usado para o treinamento de modelo em um trial. Valores válidos: Deep Learning Containers (DLC) e MaxCompute.

EarlyStop: Monitora resultados intermediários durante a execução do trial — como avaliações periódicas de acurácia em conjuntos de dados — e encerra o trial antecipadamente quando a combinação atual de hiperparâmetros provavelmente não trará melhorias adicionais. Uma configuração adequada ajuda a reduzir o consumo total de computação.

Informações gerais

No aprendizado de máquina, hiperparâmetros são parâmetros externos definidos antes do início do treinamento. Eles permanecem fixos durante toda a execução — diferentemente dos parâmetros do modelo, atualizados continuamente ao longo do aprendizado.

HPO é o processo de encontrar os valores ideais de hiperparâmetros. Para modelos com múltiplos hiperparâmetros, esses parâmetros formam um vetor multidimensional. A HPO encontra o valor específico desse vetor que gera o melhor desempenho do modelo — como o valor mínimo da função de perda — em todos os intervalos possíveis de valores.

Por exemplo, considere um modelo com dois hiperparâmetros A e B — onde A assume os valores a, b ou c e B assume os valores d ou e — totalizando seis combinações possíveis. A HPO identifica qual combinação produz o melhor desempenho do modelo treinando cada combinação com o mesmo conjunto de dados e comparando os resultados.

HPO no AutoML

Modelos reais geralmente possuem muitos hiperparâmetros de tipos variados — inteiros e ponto flutuante. Avaliar exaustivamente todas as combinações exige uma quantidade significativa de computação. O AutoML oferece um mecanismo automatizado de HPO que pesquisa o espaço de hiperparâmetros de forma eficiente.

O AutoML proporciona:

Menos esforço manual: a busca automatizada substitui o ajuste manual, economizando tempo e esforço de engenharia de forma significativa.
Melhor qualidade do modelo: diversos algoritmos do PAI trabalham em conjunto para localizar combinações ideais de hiperparâmetros rapidamente, produzindo modelos mais precisos.
Menor custo de computação: o AutoML avalia o desempenho do modelo durante o treinamento e encerra trials pouco promissores antecipadamente, garantindo os melhores hiperparâmetros sem avaliar todas as combinações.
Opções flexíveis de computação: execute jobs de treinamento em recursos DLC ou MaxCompute, de acordo com a sua infraestrutura.

Casos de uso

O AutoML se aplica a qualquer tarefa de aprendizado de máquina que exija ajuste de hiperparâmetros. Entre os cenários mais comuns estão:

Classificação binária — por exemplo, determinar se um usuário é pagante.
Regressão — por exemplo, estimar o valor de pagamento que um usuário realiza em sete dias.
Clusterização — por exemplo, identificar o número ideal de localizações de lojas para uma marca de cosméticos em uma cidade.
Recomendação — por exemplo, ajustar modelos de ranqueamento e recuperação para melhorar métricas de Area Under Curve (AUC).
Deep learning — por exemplo, aumentar a acurácia em tarefas de multiclassificação de imagens ou vídeos.

Tópicos relacionados

How AutoML works

(Recomendado) Descreve como o AutoML funciona e a relação entre experimentos, trials e tarefas de treinamento. Leia este conteúdo antes de configure seu primeiro experimento.
Create an experiment

Explica como crie um experimento no PAI console e configure os principais parâmetros. Defina as opções de acordo com as necessidades do seu projeto na Alibaba Cloud.
Use cases

Apresenta casos de uso para ajustar hiperparâmetros com o AutoML.