AI Platform Vizier – Übersicht

AI Platform Vizier ist ein Blackbox-Optimierungsdienst, mit dem sich Hyperparameter in komplexen Modellen für maschinelles Lernen (ML-Modelle) feinabstimmen lassen. Wenn ML-Modelle viele verschiedene Hyperparameter haben, kann es schwierig und zeitaufwendig sein, sie manuell abzustimmen. AI Platform Vizier optimiert die Ausgabe Ihres Modells durch eine automatische Feinabstimmung der Hyperparameter.

Blackbox-Optimierung ist die Optimierung eines Systems, das eines der folgenden Kriterien erfüllt:

  • Hat keine bekannte Zielfunktion, die ausgewertet werden soll.

  • Eine Auswertung mit der Zielfunktion wäre in der Regel aufgrund der Komplexität des Systems zu teuer.

Wenn es einfacher ist, Tests an einem System durchzuführen, als es vollständig zu verstehen, verhält sich dieses System wie eine Blackbox. Wenn Sie dieses System optimieren müssen, können Sie auf die Blackbox-Optimierung zurückgreifen.

Zusätzliche AI Platform-Vizierer-Funktionalität

AI Platform Vizier wurde zur Optimierung von Hyperparametern von ML-Modellen entwickelt, eignet sich aber ebenso für andere Optimierungsaufgaben.

Parameter für die Abstimmung

Mit AI Platform Vizier können Sie die Parameter in einer Funktion effektiv abstimmen. Sie haben damit beispielsweise die Möglichkeit, die effektivste Kombination aus Hintergrundfarbe, Schriftgröße und Linkfarbe auf der Schaltfläche "Abonnieren" einer Nachrichtenwebsite festzustellen. Weitere Beispiele finden Sie in den Anwendungsfällen. Machen Sie sich über den Unterschied zwischen Hyperparametern und Parametern schlau.

Beliebige auswertbare Systeme optimieren

AI Platform Vizier kann mit jedem System verwendet werden, das sich auswerten lässt. Das gilt auch für Systeme, die nicht als geschlossene Analysefunktion dargestellt werden können. Sie können mit AI Platform Vizier beispielsweise die optimale Tiefe, Breite und Lernrate eines neuronalen Netzwerks für ein TensorFlow-Modell ermitteln.

Funktionsweise von AI Platform Vizier

Im folgenden Abschnitt wird zusammengefasst, wie Sie mit AI Platform Vizier ML-Modelle oder ML-Funktionen optimieren können. Zuerst legen Sie eine Studienkonfiguration fest.

Studienkonfigurationen

Eine Studienkonfiguration ist die Definition des Optimierungsproblems, das Sie lösen möchten. Sie enthält neben dem Ergebnis, das Sie optimieren möchten, auch die Hyperparameter oder Parameter, die dieses Ergebnis beeinflussen.

Studien und Tests

Eine Studie ist die Implementierung einer Studienkonfiguration. Bei einer Studie werden die Ziele und Eingabewerte (Hyperparameter oder Parameter) der Studienkonfiguration verwendet, um Versuche, sogenannte Tests, durchzuführen. Ein Test ist ein bestimmter Satz von Eingabewerten, die zu einem gemessenen Ergebnis führen.

AI Platform Vizier schlägt für jeden Test Eingabewerte vor, führt die Tests jedoch nicht automatisch aus.

Eine Studie läuft so lange, bis eine festgelegte Anzahl von Tests erreicht wurde oder sie von Ihnen unterbrochen wird.

Unterschiede zwischen AI Platform Vizier und AI Platform Training

Mit der Feinabstimmung der Hyperparameter bei AI Platform Training wird die Ermittlung der besten Hyperparameter-Einstellungen für AI Platform Training-Jobs vereinfacht. AI Platform Vizier ist so konzipiert, dass sowohl Hyperparameter als auch Parameter optimiert werden. Es kann mit jedem System verwendet werden, das sich auswerten lässt, einschließlich AI Platform Training-Jobs. Unter ML-Modelle optimieren finden Sie ein Beispiel für die Verwendung von AI Platform Vizier mit AI Platform Training.

Anwendungsfälle

Im Folgenden sind einige Szenarien aufgeführt, in denen AI Platform Vizier durch Feinabstimmung von Hyperparametern bei der Optimierung eines Modells oder durch Feinabstimmung von Parametern bei der Optimierung eines Ergebnisses hilfreich ist:

  • Optimieren der Lernrate, Batchgröße und anderer Hyperparameter eines Empfehlungssystems in einem neuronalen Netzwerk

  • Testen verschiedener Anordnungen von Elementen der Benutzeroberfläche im Hinblick auf die Optimierung der Nutzerfreundlichkeit einer Anwendung

  • Feststellen der idealen Puffergröße und Thread-Anzahl zur Minimierung der Computing-Ressourcen für einen Job

  • Optimieren die Zutatenmenge in einem Schema, um die perfekte Variante zu erhalten.

Nächste Schritte