Sdílet prostřednictvím

Zásady výuky a nastavení

  • Článek

Důležité

Od 20. září 2023 nebudete moct vytvářet nové prostředky personalizace. Služba Personalizace se vyřadí z provozu 1. října 2026.

Nastavení učení určují hyperparametry trénování modelu. Dva modely stejných dat, které jsou natrénované na různých nastaveních učení, se nakonec liší.

Zásady výuky a nastavení jsou nastavené na vašem prostředku Personalizace na webu Azure Portal.

Zásady výuky importu a exportu

Soubory zásad výuky můžete importovat a exportovat z webu Azure Portal. Pomocí této metody můžete uložit existující zásady, otestovat je, nahradit je a archivovat ve správě zdrojového kódu jako artefakty pro budoucí referenci a audit.

Naučte se importovat a exportovat zásady výuky na webu Azure Portal pro prostředek Personalizace.

Vysvětlení nastavení zásad výuky

Nastavení vzásadách Změňte nastavení jenom v případě, že rozumíte tomu, jak ovlivňují personalizaci. Bez těchto znalostí byste mohli způsobit problémy, včetně zneplatnění modelů Personalizace.

Personalizace používá vowpalwabbit k trénování a hodnocení událostí. Informace o úpravách nastavení výuky pomocí vowpalwabbitu najdete v dokumentaci k vowpalwabbitu. Jakmile budete mít správné argumenty příkazového řádku, uložte příkaz do souboru s následujícím formátem (nahraďte hodnotu vlastnosti argumenty požadovaným příkazem) a nahrajte soubor pro import nastavení učení v podokně Nastavení modelu a učení na webu Azure Portal pro prostředek Personalizace.

.json Následuje příklad zásad výuky.

{
  "name": "new learning settings",
  "arguments": " --cb_explore_adf --epsilon 0.2 --power_t 0 -l 0.001 --cb_type mtr -q ::"
}

Porovnání zásad výuky

Pomocí offline vyhodnocení můžete porovnat, jak různé zásady učení fungují s minulými daty v protokolech Personalizace.

Nahrajte vlastní zásady výuky, abyste je mohli porovnat s aktuálními zásadami výuky.

Optimalizace zásad výuky

Personalizace může vytvořit optimalizované zásady výuky v offline vyhodnocení. Optimalizované zásady výuky, které mají lepší odměny v offline vyhodnocení, získáte lepší výsledky, když se používají online v personalizaci.

Po optimalizaci zásad výuky ji můžete použít přímo na personalizaci, aby okamžitě nahradila aktuální zásady. Nebo můžete optimalizovanou zásadu uložit pro další vyhodnocení a později rozhodnout, jestli ji chcete zahodit, uložit nebo použít.

Další kroky