parameter_expressions 모듈
하이퍼 매개 변수 검색 공간을 설명하기 위해 HyperDrive에서 사용할 수 있는 함수를 정의합니다.
이러한 함수는 다양한 형식의 하이퍼 매개 변수 분포를 지정하는 데 사용됩니다. 분포는 하이퍼 매개 변수 스윕에 대한 샘플링을 구성할 때 정의됩니다. 예를 들어, RandomParameterSampling 클래스를 사용할 때 불연속 값 집합 또는 연속 값 분포에서 샘플링하도록 선택할 수 있습니다. 이 경우 choice 함수를 사용하여 이산 값 집합을 생성하고 uniform 함수를 사용하여 연속 값 분포를 생성할 수 있습니다.
이러한 함수를 사용하는 예는 자습서 https://docs.microsoft.com/azure/machine-learning/how-to-tune-hyperparameters를 참조하세요.
함수
choice
샘플링할 개별 옵션 집합을 지정합니다.
choice(*options)매개 변수
반환
확률적 표현입니다.
반환 형식
lognormal
exp(normal(mu, sigma))에 따라 그려지는 값을 지정합니다.
반환 값의 로그는 정규 분포를 따릅니다. 최적화할 때 이 변수는 양수로 제한됩니다.
lognormal(mu, sigma)매개 변수
반환
확률적 표현입니다.
반환 형식
loguniform
로그 균일 분포를 지정합니다.
반환 값의 로그가 균일하게 분포되도록 exp(uniform(min_value, max_value))에 따라 값을 그립니다. 최적화할 때 이 변수는 [exp(min_value), exp(max_value)] 간격으로 제한됩니다.
loguniform(min_value, max_value)매개 변수
반환
확률적 표현입니다.
반환 형식
normal
평균 mu 및 표준 편차 시그마로 정규 분포되는 실수 값을 지정합니다.
최적화할 때 이는 제약이 없는 변수입니다.
normal(mu, sigma)매개 변수
반환
확률적 표현입니다.
반환 형식
qlognormal
round(exp(normal(mu, sigma))/q) * q와 같은 값을 지정합니다.
목표가 원활하고 한 쪽에서 경계가 지정된 변수의 크기로 더 매끄럽게 되는 불연속 변수에 적합합니다.
qlognormal(mu, sigma, q)매개 변수
반환
확률적 표현입니다.
반환 형식
qloguniform
round(exp(uniform(min_value, max_value)/q) * q 형식의 균일 분포를 지정합니다.
이는 목표가 "부드러운"인 불연속 변수에 적합하며 값의 크기로 더 부드러워지지만 위와 아래에 모두 바인딩되어야 합니다.
qloguniform(min_value, max_value, q)매개 변수
반환
확률적 표현입니다.
반환 형식
qnormal
round(normal(mu, sigma)/q) * q와 같은 값을 지정합니다.
mu 주위에 값을 사용하지만 근본적으로 바인딩되지 않은 불연속 변수에 적합합니다.
qnormal(mu, sigma, q)매개 변수
반환
확률적 표현입니다.
반환 형식
quniform
round(uniform(min_value, max_value)/q) * q 형식의 균일 분포를 지정합니다.
이는 목적이 여전히 다소 "매끄럽지만" 위와 아래 모두에 경계가 지정되어야 하는 이산 값에 적합합니다.
quniform(min_value, max_value, q)매개 변수
반환
확률적 표현입니다.
반환 형식
randint
[0, upper) 범위에서 임의의 정수 집합을 지정합니다.
이 분포의 의미는 더 먼 정수 값과 비교할 때 가까운 정수 값 사이의 손실 함수에 더 이상 상관 관계가 없다는 것입니다. 이는 예를 들어 임의의 시드를 설명하는 데 적합한 분포입니다. 손실 함수가 가까운 정수 값에 대해 더 많은 상관 관계가 있는 경우 quniform, qloguniform, qnormal 또는 qlognormal과 같은 "양자화된" 연속 분포 중 하나를 사용해야 합니다.
randint(upper)매개 변수
반환
확률적 표현입니다.
반환 형식
uniform
피드백
출시 예정: 2024년 내내 콘텐츠에 대한 피드백 메커니즘으로 GitHub 문제를 단계적으로 폐지하고 이를 새로운 피드백 시스템으로 바꿀 예정입니다. 자세한 내용은 다음을 참조하세요. https://aka.ms/ContentUserFeedback
다음에 대한 사용자 의견 제출 및 보기