Een sweep-job gebruiken voor het tunen van hyperparameters

Voltooid

In Azure Machine Learning kunt u hyperparameters afstemmen door een sweep-taak uit te voeren.

Een trainingsscript maken voor het afstemmen van hyperparameters

Als u een sweep-taak wilt uitvoeren, moet u een trainingsscript maken zoals u dat zou doen voor elke andere trainingstaak, behalve dat uw script moet:

• Neem een argument op voor elke hyperparameter die u wilt variëren.
• Registreer de metrische doelprestaties met MLflow-. Met een vastgelegde metrische waarde kan de sweep-taak de prestaties van de proefversies evalueren die worden gestart en het model identificeren dat het best presterende model produceert.

Notitie

Leer hoe u machine learning-experimenten en -modellen kunt bijhouden met MLflow in Azure Machine Learning.

Met het volgende voorbeeldscript wordt bijvoorbeeld een logistiek regressiemodel getraind met behulp van een --regularization argument om de regularisatiesnelheid hyperparameter in te stellen en wordt de nauwkeurigheid metriek met de naam Accuracyvastgelegd.

import argparse
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
import mlflow

# get regularization hyperparameter
parser = argparse.ArgumentParser()
parser.add_argument('--regularization', type=float, dest='reg_rate', default=0.01)
args = parser.parse_args()
reg = args.reg_rate

# load the training dataset
data = pd.read_csv("data.csv")

# separate features and labels, and split for training/validatiom
X = data[['feature1','feature2','feature3','feature4']].values
y = data['label'].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30)

# train a logistic regression model with the reg hyperparameter
model = LogisticRegression(C=1/reg, solver="liblinear").fit(X_train, y_train)

# calculate and log accuracy
y_hat = model.predict(X_test)
acc = np.average(y_hat == y_test)
mlflow.log_metric("Accuracy", acc)

Een sweep-taak configureren en uitvoeren

Als u de sweep-taak wilt voorbereiden, moet u eerst een basistaak maken opdrachttaak die aangeeft welk script moet worden uitgevoerd en definieert u de parameters die door het script worden gebruikt:

from azure.ai.ml import command

# configure command job as base
job = command(
    code="./src",
    command="python train.py --regularization ${{inputs.reg_rate}}",
    inputs={
        "reg_rate": 0.01,
    },
    environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu@latest",
    compute="aml-cluster",
    )

Vervolgens kunt u uw invoerparameters overschrijven met uw zoekruimte:

from azure.ai.ml.sweep import Choice

command_job_for_sweep = job(
    reg_rate=Choice(values=[0.01, 0.1, 1]),
)

Roep tot slot sweep() aan voor uw opdrachttaak om uw zoekruimte te doorzoeken:

from azure.ai.ml import MLClient

# apply the sweep parameter to obtain the sweep_job
sweep_job = command_job_for_sweep.sweep(
    compute="aml-cluster",
    sampling_algorithm="grid",
    primary_metric="Accuracy",
    goal="Maximize",
)

# set the name of the sweep job experiment
sweep_job.experiment_name="sweep-example"

# define the limits for this sweep
sweep_job.set_limits(max_total_trials=4, max_concurrent_trials=2, timeout=7200)

# submit the sweep
returned_sweep_job = ml_client.create_or_update(sweep_job)

Veegwerkzaamheden monitoren en evalueren

U kunt sweep-taken bewaken in Azure Machine Learning Studio. Met de sweep-taak worden proeven gestart voor elke combinatie van hyperparameters die moeten worden uitgeprobeerd. Voor elke proefversie kunt u alle vastgelegde metrische gegevens bekijken.

Daarnaast kunt u modellen evalueren en vergelijken door de experimenten in de studio te visualiseren. U kunt elke grafiek aanpassen om de hyperparameterwaarden en metrische gegevens voor elke proefversie weer te geven en te vergelijken.

Tip

Meer informatie over hoe je hyperparameterafstemmingstaken kunt visualiseren.