Modelin hiper parametre ayarlaması (v2)

ŞUNLAR IÇIN GEÇERLIDIR:Azure CLI ml uzantısı v2 (geçerli)

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK azure-ai-ml v2 (geçerli)

SweepJob türü aracılığıyla Azure Machine Learning SDK v2 ve CLI v2 kullanarak verimli hiper parametre ayarlamayı otomatikleştirin.

  1. Deneme sürümünüz için parametre arama alanını tanımlama
  2. Süpürme işiniz için örnekleme algoritmasını belirtme
  3. İyileştireceğiniz hedefi belirtin
  4. Düşük performanslı işler için erken sonlandırma ilkesi belirtme
  5. Süpürme işi için sınırları tanımlama
  6. Tanımlı yapılandırmayla deneme başlatma
  7. Eğitim işlerini görselleştirme
  8. Modeliniz için en iyi yapılandırmayı seçin

Hiper parametre ayarı nedir?

Hiper parametreler , model eğitim sürecini denetlemenize olanak sağlayan ayarlanabilir parametrelerdir. Örneğin, sinir ağları ile gizli katmanların sayısına ve her katmandaki düğüm sayısına siz karar verirsiniz. Model performansı büyük ölçüde hiper parametrelere bağlıdır.

Hiper parametre iyileştirmesi olarak da adlandırılan hiper parametre ayarı, en iyi performansa neden olan hiper parametrelerin yapılandırmasını bulma işlemidir. İşlem genellikle işlem açısından pahalıdır ve el ile gerçekleştirilir.

Azure Machine Learning, hiper parametreleri verimli bir şekilde iyileştirmek için hiper parametre ayarlamasını otomatikleştirmenize ve denemeleri paralel olarak çalıştırmanıza olanak tanır.

Arama alanını tanımlama

Her hiper parametre için tanımlanan değer aralığını keşfederek hiper parametreleri ayarlayın.

Hiper parametreler ayrık veya sürekli olabilir ve parametre ifadesi tarafından açıklanan değerlerin dağılımına sahiptir.

Ayrık hiper parametreler

Ayrık hiper parametreler, ayrık değerler arasında bir Choice olarak belirtilir. Choice şu olabilir:

  • bir veya daha fazla virgülle ayrılmış değer
  • nesne range
  • herhangi bir rastgele list nesne
from azure.ai.ml.sweep import Choice

command_job_for_sweep = command_job(
    batch_size=Choice(values=[16, 32, 64, 128]),
    number_of_hidden_layers=Choice(values=range(1,5)),
)

Bu durumda, [16, batch_size 32, 64, 128] değerlerinden biri ve number_of_hidden_layers [1, 2, 3, 4] değerlerinden birini alır.

Aşağıdaki gelişmiş ayrık hiper parametreler bir dağıtım kullanılarak da belirtilebilir:

  • QUniform(min_value, max_value, q) - Round(Uniform(min_value, max_value) / q) * q gibi bir değer döndürür
  • QLogUniform(min_value, max_value, q) - Round(exp(Uniform(min_value, max_value)) / q) * q gibi bir değer döndürür
  • QNormal(mu, sigma, q) - Round(Normal(mu, sigma) / q) * q gibi bir değer döndürür
  • QLogNormal(mu, sigma, q) - Round(exp(Normal(mu, sigma)) / q) * q gibi bir değer döndürür

Sürekli hiper parametreler

Sürekli hiper parametreler, sürekli bir değer aralığı üzerinden bir dağıtım olarak belirtilir:

  • Uniform(min_value, max_value) - min_value ile max_value arasında tekdüzen dağıtılmış bir değer döndürür
  • LogUniform(min_value, max_value) - Dönüş değerinin logaritmasının tekdüzen dağıtıldığı şekilde exp(Tekdüzen(min_value, max_value)) değerine göre çizilmiş bir değer döndürür
  • Normal(mu, sigma) - Normal olarak ortalama mu ve standart sapma sigması ile dağıtılmış gerçek bir değer verir
  • LogNormal(mu, sigma) - Dönüş değerinin logaritması normal olarak dağıtılırken exp(Normal(mu, sigma)) değerine göre çizilmiş bir değer döndürür

Parametre alanı tanımı örneği:

from azure.ai.ml.sweep import Normal, Uniform

command_job_for_sweep = command_job(   
    learning_rate=Normal(mu=10, sigma=3),
    keep_probability=Uniform(min_value=0.05, max_value=0.1),
)

Bu kod iki parametreye sahip bir arama alanı tanımlar: learning_rate ve keep_probability. learning_rate ortalama değeri 10 ve standart sapması 3 olan normal bir dağılıma sahiptir. keep_probability en az 0,05 ve en yüksek değer 0,1 olan tekdüzen bir dağılıma sahiptir.

CLI için, YAML'nizdeki arama alanını tanımlamak için süpürme işi YAML şemasını kullanabilirsiniz:

    search_space:
        conv_size:
            type: choice
            values: [2, 5, 7]
        dropout_rate:
            type: uniform
            min_value: 0.1
            max_value: 0.2

Hiper parametre alanını örnekleme

Hiper parametre alanı üzerinde kullanılacak parametre örnekleme yöntemini belirtin. Azure Machine Learning aşağıdaki yöntemleri destekler:

  • Rastgele örnekleme
  • Kılavuz örnekleme
  • Bayes örneklemesi

Rastgele örnekleme

Rastgele örnekleme ayrık ve sürekli hiper parametreleri destekler. Düşük performanslı işlerin erken sonlandırılmasına destek olur. Bazı kullanıcılar rastgele örnekleme ile bir ilk arama yapar ve ardından sonuçları geliştirmek için arama alanını iyileştirir.

Rastgele örneklemede hiper parametre değerleri tanımlı arama alanından rastgele seçilir. Komut işinizi oluşturduktan sonra süpürme parametresini kullanarak örnekleme algoritmasını tanımlayabilirsiniz.

from azure.ai.ml.sweep import Normal, Uniform, RandomParameterSampling

command_job_for_sweep = command_job(   
    learning_rate=Normal(mu=10, sigma=3),
    keep_probability=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "random",
    ...
)

Sobol

Sobol, süpürme iş türleri tarafından desteklenen rastgele örnekleme türüdür. Sobol kullanarak sonuçlarınızı tohum kullanarak yeniden oluşturabilir ve arama alanı dağıtımını daha eşit şekilde kaplayabilirsiniz.

Sobol kullanmak için RandomParameterSampling sınıfını kullanarak aşağıdaki örnekte gösterildiği gibi tohum ve kuralı ekleyin.

from azure.ai.ml.sweep import RandomParameterSampling

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = RandomParameterSampling(seed=123, rule="sobol"),
    ...
)

Kılavuz örnekleme

Kılavuz örnekleme, ayrık hiper parametreleri destekler. Arama alanında kapsamlı arama yapmak için bütçe ayırabiliyorsanız kılavuz örneklemeyi kullanın. Düşük performanslı işlerin erken sonlandırılmasına destek sağlar.

Kılavuz örnekleme, tüm olası değerler üzerinde basit bir kılavuz araması yapar. Kılavuz örnekleme yalnızca hiper parametrelerle choice kullanılabilir. Örneğin, aşağıdaki alanda altı örnek vardır:

from azure.ai.ml.sweep import Choice

command_job_for_sweep = command_job(
    batch_size=Choice(values=[16, 32]),
    number_of_hidden_layers=Choice(values=[1,2,3]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "grid",
    ...
)

Bayes örneklemesi

Bayes örneklemesi, Bayes iyileştirme algoritmasını temel alır. Yeni örneklerin birincil ölçümü geliştirmesi için önceki örneklerin nasıl yaptığına bağlı olarak örnekleri seçer.

Hiper parametre alanını keşfetmek için yeterli bütçeniz varsa Bayes örneklemesi önerilir. En iyi sonuçları elde etmek için, ayarlanmış hiper parametre sayısının 20 katı veya buna eşit en fazla iş sayısını öneririz.

Eş zamanlı iş sayısının ayarlama işleminin etkinliği üzerinde etkisi vardır. Daha az sayıda eşzamanlı iş, daha küçük bir paralellik derecesi daha önce tamamlanan işlerden yararlanan iş sayısını artırdığından daha iyi örnekleme yakınsamasına yol açabilir.

Bayes örneklemesi yalnızca arama alanı üzerindeki , uniformve quniform dağıtımlarını desteklerchoice.

from azure.ai.ml.sweep import Uniform, Choice

command_job_for_sweep = command_job(   
    learning_rate=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "bayesian",
    ...
)

Süpürme amacını belirtme

Hiper parametre ayarlamasının iyileştirmesini istediğiniz birincil ölçümü ve hedefi belirterek süpürme işinizin amacını tanımlayın. Her eğitim işi birincil ölçüm için değerlendirilir. Erken sonlandırma ilkesi, düşük performanslı işleri tanımlamak için birincil ölçümü kullanır.

  • primary_metric: Birincil ölçümün adının eğitim betiği tarafından günlüğe kaydedilen ölçümün adıyla tam olarak eşleşmesi gerekir
  • goal: ya da MaximizeMinimize olabilir ve işleri değerlendirirken birincil ölçümün en üst düzeye çıkarılıp büyütülmeyeceğini veya simge durumuna küçültüleceğini belirler.
from azure.ai.ml.sweep import Uniform, Choice

command_job_for_sweep = command_job(   
    learning_rate=Uniform(min_value=0.05, max_value=0.1),
    batch_size=Choice(values=[16, 32, 64, 128]),
)

sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm = "bayesian",
    primary_metric="accuracy",
    goal="Maximize",
)

Bu örnek "doğruluğu" en üst düzeye çıkarır.

Hiper parametre ayarlama için günlük ölçümleri

Modelinizin eğitim betiği, model eğitimi sırasında birincil ölçümü günlüğe kaydetmeli ve böylece SweepJob hiper parametre ayarı için buna erişebilir.

Eğitim betiğinizdeki birincil ölçümü aşağıdaki örnek kod parçacığıyla günlüğe alın:

import mlflow
mlflow.log_metric("accuracy", float(val_accuracy))

Eğitim betiği, öğesini hesaplar val_accuracy ve birincil ölçüm "doğruluk" olarak günlüğe kaydeder. Ölçüm her günlüğe kaydedilişinde hiper parametre ayarlama hizmeti tarafından alınır. Raporlama sıklığını belirlemek size bağlıdır.

Eğitim işlerinin günlük değerleri hakkında daha fazla bilgi için bkz. Azure ML eğitim işlerinde günlüğe kaydetmeyi etkinleştirme.

Erken sonlandırma ilkesini belirtme

Kötü performans gösteren işleri erken sonlandırma ilkesiyle otomatik olarak sonlandır. Erken sonlandırma işlem verimliliğini artırır.

İlkenin ne zaman uygulanacağını denetleyebilen aşağıdaki parametreleri yapılandırabilirsiniz:

  • evaluation_interval: ilkenin uygulanma sıklığı. Eğitim betiği her günlüğe kaydedişinde birincil ölçüm bir aralık olarak sayılır. 1'inden biri evaluation_interval , eğitim betiği birincil ölçümü her bildirişinde ilkeyi uygular. İlkeyi evaluation_interval her seferinde 2'nin biri uygular. Belirtilmezse, evaluation_interval varsayılan olarak 0 olarak ayarlanır.
  • delay_evaluation: belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir. Bu, tüm yapılandırmaların minimum aralık sayısı için çalışmasına izin vererek eğitim işlerinin erken sonlandırılmasını önleyen isteğe bağlı bir parametredir. Belirtilirse, ilke delay_evaluation'den büyük veya buna eşit evaluation_interval her katını uygular. Belirtilmezse, delay_evaluation varsayılan olarak 0 olarak ayarlanır.

Azure Machine Learning aşağıdaki erken sonlandırma ilkelerini destekler:

Eşkıya ilkesi

Eşkıya ilkesi slack faktörünü/bolluk miktarını ve değerlendirme aralığını temel alır. Eşkıya ilkesi, birincil ölçüm en başarılı işin belirtilen slack faktörü/bolluk miktarı içinde olmadığında işi sonlandırır.

Aşağıdaki yapılandırma parametrelerini belirtin:

  • slack_factor veya slack_amount: En iyi performans gösteren eğitim işiyle ilgili olarak izin verilen bolluk. slack_factor oran olarak izin verilebilen bolluğu belirtir. slack_amount izin verilebilen bolluğu oran yerine mutlak bir miktar olarak belirtir.

    Örneğin, 10 aralığında uygulanan bir Eşkıya ilkesi düşünün. 10 aralığında en iyi performans gösteren işin birincil ölçümü en üst düzeye çıkarma hedefiyle 0,8 olduğunu varsayalım. İlke slack_factor 0,2 belirtirse, 10 aralığındaki en iyi ölçümü 0,66'dan (0,8/(1+slack_factor)) küçük olan tüm eğitim işleri sonlandırılır.

  • evaluation_interval: (isteğe bağlı) ilkeyi uygulama sıklığı

  • delay_evaluation: (isteğe bağlı) belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir

from azure.ai.ml.sweep import BanditPolicy
sweep_job.early_termination = BanditPolicy(slack_factor = 0.1, delay_evaluation = 5, evaluation_interval = 1)

Bu örnekte, erken sonlandırma ilkesi ölçümler raporlandığında her aralıkta uygulanır ve değerlendirme aralığı 5'den başlar. En iyi ölçüm (1/(1+0,1) veya en iyi performans gösteren işlerin %91'inden az olan tüm işler sonlandırılır.

Ortanca durdurma ilkesi

Ortanca durdurma , işler tarafından bildirilen birincil ölçümlerin çalıştırma ortalamalarını temel alan bir erken sonlandırma ilkesidir. Bu ilke, tüm eğitim işlerinde çalışan ortalamaları hesaplar ve birincil ölçüm değeri ortalamaların ortanca değerinden daha kötü olan işleri durdurur.

Bu ilke aşağıdaki yapılandırma parametrelerini alır:

  • evaluation_interval: ilkeyi uygulama sıklığı (isteğe bağlı parametre).
  • delay_evaluation: belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir (isteğe bağlı parametre).
from azure.ai.ml.sweep import MedianStoppingPolicy
sweep_job.early_termination = MedianStoppingPolicy(delay_evaluation = 5, evaluation_interval = 1)

Bu örnekte, erken sonlandırma ilkesi 5 değerlendirme aralığından başlayarak her aralıkta uygulanır. En iyi birincil ölçümü, tüm eğitim işlerinde 1:5 aralıklarıyla çalışan ortalamaların ortanca değerinden daha kötüyse, iş 5 aralığında durdurulur.

Kesme seçimi ilkesi

Kesme seçimi , her değerlendirme aralığında en düşük performanslı işlerin yüzdesini iptal eder. işler, birincil ölçüm kullanılarak karşılaştırılır.

Bu ilke aşağıdaki yapılandırma parametrelerini alır:

  • truncation_percentage: Her değerlendirme aralığında sonlandırılması gereken en düşük performanslı işlerin yüzdesi. 1 ile 99 arasında bir tamsayı değeri.
  • evaluation_interval: (isteğe bağlı) ilkeyi uygulama sıklığı
  • delay_evaluation: (isteğe bağlı) belirtilen aralık sayısı için ilk ilke değerlendirmesini geciktirir
  • exclude_finished_jobs: İlkeyi uygularken tamamlanmış işlerin dışlanıp dışlanmayacağını belirtir
from azure.ai.ml.sweep import TruncationSelectionPolicy
sweep_job.early_termination = TruncationSelectionPolicy(evaluation_interval=1, truncation_percentage=20, delay_evaluation=5, exclude_finished_jobs=true)

Bu örnekte, erken sonlandırma ilkesi 5 değerlendirme aralığından başlayarak her aralıkta uygulanır. 5 aralığındaki performansı, 5 aralığındaki tüm işlerin performansının en düşük %20'sindeyse, iş 5 aralığında sonlandırılır ve ilke uygulanırken tamamlanmış işleri dışlar.

Sonlandırma ilkesi yok (varsayılan)

İlke belirtilmezse, hiper parametre ayarlama hizmeti tüm eğitim işlerinin tamamlanmasını sağlar.

sweep_job.early_termination = None

Erken sonlandırma ilkesi seçme

  • Gelecek vaat eden işleri sonlandırmadan tasarruf sağlayan muhafazakar bir ilke için, 1 ve delay_evaluation 5 ile evaluation_interval Ortanca Durdurma İlkesi'ni göz önünde bulundurun. Bunlar, birincil ölçümde kayıp olmadan (değerlendirme verilerimize göre) yaklaşık %25-35 oranında tasarruf sağlayabilecek muhafazakar ayarlardır.
  • Daha agresif tasarruflar için izin verilebilen daha küçük bir bolluk ile Eşkıya İlkesi'ni veya daha büyük kesme yüzdesine sahip Kesme Seçim İlkesi'ni kullanın.

Süpürme işiniz için sınırlar belirleme

Süpürme işiniz için sınırlar belirleyerek kaynak bütçenizi denetleyin.

  • max_total_trials: Deneme işi sayısı üst sınırı. 1 ile 1000 arasında bir tamsayı olmalıdır.
  • max_concurrent_trials: (isteğe bağlı) Eşzamanlı olarak çalışabilecek deneme işi sayısı üst sınırı. Belirtilmezse, tüm işler paralel olarak başlatılır. Belirtilirse, 1 ile 100 arasında bir tamsayı olmalıdır.
  • timeout: Süpürme işinin tamamının çalışmasına izin verilen en uzun süre (saniye olarak). Bu sınıra ulaşıldıktan sonra sistem, tüm denemeleri de dahil olmak üzere süpürme işini iptal eder.
  • trial_timeout: Her deneme işinin çalışmasına izin verilen en uzun süre (saniye olarak). Bu sınıra ulaşıldıktan sonra sistem denemeyi iptal eder.

Not

Hem max_total_trials hem de max_concurrent_trials belirtilirse, hiper parametre ayarlama denemesi bu iki eşikten ilki ulaşıldığında sonlandırılır.

Not

Eş zamanlı deneme işlerinin sayısı, belirtilen işlem hedefinde bulunan kaynaklara bağlıdır. İşlem hedefinin istenen eşzamanlılık için kullanılabilir kaynaklara sahip olduğundan emin olun.

sweep_job.set_limits(max_total_trials=20, max_concurrent_trials=4, timeout=1200)

Bu kod, hiper parametre ayarlama denemesini toplam en fazla 20 deneme işi kullanacak şekilde yapılandırarak, süpürme işinin tamamı için 1200 saniyelik zaman aşımıyla aynı anda dört deneme işi çalıştırır.

Hiper parametre ayarlama denemesi yapılandırma

Hiper parametre ayarlama denemenizi yapılandırmak için aşağıdakileri sağlayın:

  • Tanımlanan hiper parametre arama alanı
  • Örnekleme algoritmanız
  • Erken sonlandırma ilkeniz
  • Amacınız
  • Kaynak sınırları
  • CommandJob veya CommandComponent
  • Süpürme İşi

SweepJob, Komut veya Komut Bileşeni üzerinde bir hiper parametre süpürme işlemi çalıştırabilir.

Not

içinde sweep_job kullanılan işlem hedefi, eşzamanlılık düzeyinizi karşılamak için yeterli kaynağa sahip olmalıdır. İşlem hedefleri hakkında daha fazla bilgi için bkz . İşlem hedefleri.

Hiper parametre ayarlama denemenizi yapılandırın:

from azure.ai.ml import MLClient
from azure.ai.ml import command, Input
from azure.ai.ml.sweep import Choice, Uniform, MedianStoppingPolicy
from azure.identity import DefaultAzureCredential

# Create your base command job
command_job = command(
    code="./src",
    command="python main.py --iris-csv ${{inputs.iris_csv}} --learning-rate ${{inputs.learning_rate}} --boosting ${{inputs.boosting}}",
    environment="AzureML-lightgbm-3.2-ubuntu18.04-py37-cpu@latest",
    inputs={
        "iris_csv": Input(
            type="uri_file",
            path="https://azuremlexamples.blob.core.windows.net/datasets/iris.csv",
        ),
        "learning_rate": 0.9,
        "boosting": "gbdt",
    },
    compute="cpu-cluster",
)

# Override your inputs with parameter expressions
command_job_for_sweep = command_job(
    learning_rate=Uniform(min_value=0.01, max_value=0.9),
    boosting=Choice(values=["gbdt", "dart"]),
)

# Call sweep() on your command job to sweep over your parameter expressions
sweep_job = command_job_for_sweep.sweep(
    compute="cpu-cluster",
    sampling_algorithm="random",
    primary_metric="test-multi_logloss",
    goal="Minimize",
)

# Specify your experiment details
sweep_job.display_name = "lightgbm-iris-sweep-example"
sweep_job.experiment_name = "lightgbm-iris-sweep-example"
sweep_job.description = "Run a hyperparameter sweep job for LightGBM on Iris dataset."

# Define the limits for this sweep
sweep_job.set_limits(max_total_trials=20, max_concurrent_trials=10, timeout=7200)

# Set early stopping on this one
sweep_job.early_termination = MedianStoppingPolicy(
    delay_evaluation=5, evaluation_interval=2
)

command_job, süpürme girişlerine parametre ifadelerini uygulayabilmemiz için işlev olarak çağrılır. İşlev sweep daha sonra , , sampling-algorithm, objectivelimitsve computeile trialyapılandırılır. Yukarıdaki kod parçacığı, bir Command veya CommandComponent üzerinde hiper parametre süpürme çalıştırma örnek not defterinden alınmıştır. Bu örnekte ve learning_rateboosting parametreleri ayarlanacaktır. İşlerin erken durdurulması, birincil ölçüm değeri tüm eğitim işlerindeki ortalamaların ortanca değerinden daha kötü olan bir işi durduran bir tarafından MedianStoppingPolicybelirlenir. ( bkz . MedianStoppingPolicy sınıf başvurusu).

Parametre değerlerinin nasıl alınıp ayrıştırıldığı ve ayarlanacak eğitim betiğine nasıl geçirildiğini görmek için bu kod örneğine bakın

Önemli

Her hiper parametre süpürme işi, modeli ve tüm veri yükleyicilerini yeniden derleme dahil olmak üzere eğitimi sıfırdan yeniden başlatır. Eğitim işlerinizden önce mümkün olduğunca fazla veri hazırlama işlemi yapmak için azure machine learning işlem hattı veya el ile işlem kullanarak bu maliyeti en aza indirebilirsiniz.

Hiper parametre ayarlama denemesi gönderme

Hiper parametre ayarlama yapılandırmanızı tanımladıktan sonra işi gönderin:

# submit the sweep
returned_sweep_job = ml_client.create_or_update(sweep_job)
# get a URL for the status of the job
returned_sweep_job.services["Studio"].endpoint

Hiper parametre ayarlama işlerini görselleştirme

tüm hiper parametre ayarlama işlerinizi Azure Machine Learning stüdyosu görselleştirebilirsiniz. Portalda bir denemeyi görüntüleme hakkında daha fazla bilgi için bkz. Stüdyoda iş kayıtlarını görüntüleme.

  • Ölçüm grafiği: Bu görselleştirme, hiper parametre ayarlama süresi boyunca her bir hiper sürücü alt işi için günlüğe kaydedilen ölçümleri izler. Her satır bir alt işi temsil eder ve her nokta çalışma zamanı yinelemesinde birincil ölçüm değerini ölçer.

    Hiper parametre ayarlama ölçüm grafiği

  • Paralel Koordinatlar Grafiği: Bu görselleştirme, birincil ölçüm performansı ile tek tek hiper parametre değerleri arasındaki bağıntıyı gösterir. Grafik, eksenlerin hareketi (eksen etiketine tıklayıp sürükleme) ve değerleri tek bir eksende vurgulayarak etkileşimlidir (istenen değer aralığını vurgulamak için tek bir eksen boyunca dikey olarak tıklayıp sürükleyin). Paralel koordinatlar grafiği, grafiğin en sağdaki bölümünde, bu iş örneği için ayarlanan hiper parametrelere karşılık gelen en iyi ölçüm değerini çizen bir eksen içerir. Bu eksen, grafik gradyan göstergesini verilere daha okunabilir bir şekilde yansıtmak için sağlanır.

    Hiper parametre ayarlama paralel koordinatları grafiği

  • 2 Boyutlu Dağılım Grafiği: Bu görselleştirme, ilişkili birincil ölçüm değeriyle birlikte iki hiper parametre arasındaki bağıntıyı gösterir.

    2 boyutlu dağılım grafiğini ayarlama

  • 3 Boyutlu Dağılım Grafiği: Bu görselleştirme 2B ile aynıdır ancak birincil ölçüm değeriyle bağıntının üç hiper parametre boyutuna izin verir. Ayrıca, 3B alanda farklı bağıntıları görüntülemek üzere grafiği yeniden ayarlamak için tıklayıp sürükleyebilirsiniz.

    3 boyutlu dağılım grafiğini ayarlama

En iyi deneme işini bulma

Hiper parametre ayarlama işlerinin tümü tamamlandıktan sonra en iyi deneme çıktılarınızı alın:

# Download best trial model output
ml_client.jobs.download(returned_sweep_job.name, output_name="model")

CLI'yi kullanarak en iyi deneme işinin tüm varsayılan ve adlandırılmış çıkışlarını ve süpürme işinin günlüklerini indirebilirsiniz.

az ml job download --name <sweep-job> --all

İsteğe bağlı olarak, yalnızca en iyi deneme çıkışını indirmek için

az ml job download --name <sweep-job> --output-name model

Başvurular

Sonraki adımlar