Używanie zadania zamiatania na potrzeby dostrajania hiperparametrów

  • 8 min

W usłudze Azure Machine Edukacja można dostroić hiperparametry, uruchamiając zadanie zamiatania.

Tworzenie skryptu szkoleniowego na potrzeby dostrajania hiperparametrów

Aby uruchomić zadanie zamiatania, należy utworzyć skrypt szkoleniowy w taki sam sposób, jak w przypadku dowolnego innego zadania szkoleniowego, z tą różnicą, że skrypt musi:

  • Dołącz argument dla każdego hiperparametru, który chcesz różnić.
  • Rejestrowanie docelowej metryki wydajności za pomocą biblioteki MLflow. Zarejestrowana metryka umożliwia zadaniu zamiatania ocenę wydajności zainicjowanych prób i zidentyfikowanie tego, który generuje najlepszy model.

Uwaga

Dowiedz się, jak śledzić eksperymenty i modele uczenia maszynowego za pomocą biblioteki MLflow w usłudze Azure Machine Edukacja.

Na przykład poniższy przykładowy skrypt szkoli model regresji logistycznej przy użyciu --regularization argumentu w celu ustawienia hiperparametru szybkości regularyzacji i rejestruje metrykę dokładności o nazwie Accuracy:

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)

Konfigurowanie i uruchamianie zadania zamiatania

Aby przygotować zadanie zamiatania, należy najpierw utworzyć podstawowe zadanie polecenia, które określa skrypt do uruchomienia i definiuje parametry używane przez skrypt:

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",
    )

Następnie możesz zastąpić parametry wejściowe obszarem wyszukiwania:

from azure.ai.ml.sweep import Choice

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

Na koniec wywołaj sweep() zadanie polecenia, aby zamiatać obszar wyszukiwania:

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)

Monitorowanie i przeglądanie zadań zamiatania

Zadania zamiatania można monitorować w usłudze Azure Machine Edukacja Studio. Zadanie zamiatania zainicjuje próby dla każdej kombinacji hiperparametrów do wypróbowania. Dla każdej wersji próbnej można przejrzeć wszystkie zarejestrowane metryki.

Ponadto można oceniać i porównywać modele, wizualizując wersje próbne w studio. Każdy wykres można dostosować tak, aby pokazywał i porównywał wartości hiperparametrów i metryki dla każdej wersji próbnej.

Napiwek

Dowiedz się więcej na temat wizualizowania zadań dostrajania hiperparametrów.