创建自动模型优化的训练作业
背景信息
如果用户使用的AI引擎为pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64和tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64，并且优化的超参类型为float类型，ModelArts支持用户使用超参搜索功能。
在0代码修改的基础下，实现算法模型的超参搜索。需要完成以下步骤：
准备工作
- 数据已完成准备：已在ModelArts中创建可用的数据集，或者您已将用于训练的数据集上传至OBS目录。
- 请准备好训练脚本，并上传至OBS目录。训练脚本开发指导参见开发用于预置框架训练的代码。
- 在训练代码中，用户需打印搜索指标参数。
- 已在OBS创建至少1个空的文件夹，用于存储训练输出的内容。
- 由于训练作业运行需消耗资源，确保账户未欠费。
- 确保您使用的OBS目录与ModelArts在同一区域。
创建算法
进入ModelArts控制台，参考创建算法操作指导，创建自定义算法。镜像应该满足pytorch_1.8.0-cuda_10.2-py_3.7-ubuntu_18.04-x86_64或tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64引擎。
对于用户希望优化的超参，需在“超参”设置中定义，可以给定名称、类型、默认值、约束等，具体设置方法可以参考表6。
单击勾选“自动搜索”，为算法设置算法搜索功能。自动搜索作业运行过程中，ModelArts后台通过指标正则表达式获取搜索指标参数，朝指定的优化方向进行超参优化。用户需要在代码中打印搜索参数并在控制台配置以下参数。
- 搜索指标
搜索指标为目标函数的值，通常可以设置为loss、accuracy等。通过优化搜索指标的目标值超优化方向收敛，找到最契合的超参，提高模型精度和收敛速度。
表1 搜索指标参数 参数
说明
名称
搜索指标的名称。需要与您在代码中打印的搜索指标参数保持一致。
优化方向
可选“最大化”或者“最小化”。
指标正则
填入正则表达式。您可以单击智能生成功能自动获取正则表达式。
- 设置自动化搜索参数
- 搜索算法配置
ModelArts内置三种超参搜索算法，用户可以根据实际情况选择对应的算法，支持多选。对应的算法和参数解析请参考以下：
- bayes_opt_search：贝叶斯优化（SMAC）
- tpe_search：TPE算法
- anneal_search：模拟退火算法（Anneal）
提交创建算法完成后即可执行下一步，创建训练作业。
当您选择支持超参搜索的算法，需单击超参的范围设置按钮才能开启超参搜索功能。
开启超参搜索功能后，用户可以设置搜索指标、搜索算法和搜索算法参数。三个参数显示的支持值与算法管理模块的超参设置对应。
完成超参搜索作业的创建后，训练作业需要运行一段时间。
