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：

1. 准备工作
2. 创建算法
3. 创建训练作业
4. 查看超参搜索作业详情

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。

图1 设置算法搜索功能

• 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

  从已设置的“超参”中选择可用于搜索优化的超参。优化的超参仅支持float类型，选中自动化搜索参数后，需设置取值范围。

• 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。

创建训练作业

登录ModelArts控制台，参考创建生产训练作业操作指导，创建训练作业。用户需关注以下操作才能开启超参搜索。

查看超参搜索作业详情

训练作业运行结束后，可以查看自动超参搜索结果判断此训练作业是否满意。

如果训练作业是超参搜索作业，进入训练作业详情页，选择“自动超参搜索结果”页签查看超参搜索结果。

图3 超参搜索结果