Not
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Kommentar
Versionen med öppen källkod av Hyperopt underhålls inte längre.
Hyperopt tas bort i nästa större DBR ML-version. Azure Databricks rekommenderar att du använder antingen Optuna- för ennodsoptimering eller RayTune för en liknande upplevelse som de inaktuella hyperopt-distribuerade hyperparameterjusteringsfunktionerna. Läs mer om hur du använder RayTune i Azure Databricks.
Den här notebook-filen visar hur du använder Hyperopt för att parallellisera justeringsberäkningar för hyperparametrar. Den använder SparkTrials klassen för att automatiskt distribuera beräkningar mellan klusterarbetarna. Det illustrerar också automatiserad MLflow-spårning av Hyperopt-körningar så att du kan spara resultatet till senare.
Parallellisera justering av hyperparametrar med automatisk MLflow-spårningsanteckningsbok
När du har utför åtgärderna i den sista cellen i notebook-filen ska ditt MLflow-användargränssnitt visa:
