Présentation d'AI Platform Vizier

AI Platform Vizier est un service d'optimisation par boîte noire qui vous aide à régler les hyperparamètres dans des modèles de machinelearning complexes. Lorsque les modèles de ML comportent de nombreux hyperparamètres différents, leur réglage manuel peut s'avérer long et difficile. Pour optimiser les résultats de votre modèle, AI PlatformVizier ajuste les hyperparamètres à votre place.

L'optimisation par boîte noire consiste à optimiser un système qui répond à l'un ou l'autre des critères suivants :

  • ne présente pas de fonction objectif connue à évaluer ;

  • est trop coûteux à évaluer à l'aide de la fonction objectif, généralement en raison de la complexité du système ;

s'il est plus facile d'effectuer des tests sur un système que de le comprendre complètement, ce système fonctionne comme une boîte noire. Si vous avez besoin d'optimiser ce système, vous pouvez utiliser l'optimisation par boîte noire.

Fonctionnalités supplémentaires d'AI PlatformVizier

AI Platform Vizier a été conçu pour optimiser les hyperparamètres des modèles de machinelearning, mais peut également effectuer d'autres tâches d'optimisation.

Paramètres de réglage

AI Platform Vizierest un moyen efficace de régler les paramètres d'une fonction. Par exemple, vous pouvez vous en servir pour déterminer la combinaison la plus pertinente de couleur d'arrière-plan, de taille de police et de couleur de lien associés au bouton d'abonnement d'un site Web d'actualités. Consultez les cas d'utilisation pour d'autres exemples. Découvrez la différence entre paramètres et hyperparamètres.

Optimiser tout système évaluable

AI Platform Vizier peut être utilisé avec tous les systèmes que vous pouvez évaluer, y compris les systèmes qui ne peuvent pas être exprimés par une fonction analytique de forme fermée ou explicite. Par exemple, vous pouvez utiliser AI Platform Vizier pour trouver les meilleurs profondeur, largeur et taux d'apprentissage d'un réseau de neurones pour un modèle TensorFlow.

Fonctionnement d'AI PlatformVizier

La section suivante décrit comment optimiser un modèle ou une fonction de ML à l'aide d'AI Platform Vizier. Vous commencez par déterminer une configuration d'étude.

Configurations d'étude

Une configuration d'étude représente la définition du problème d'optimisation que vous essayez de résoudre. Elle inclut le résultat que vous souhaitez optimiser et les hyperparamètres ou paramètres qui influent sur ce résultat.

Études et essais

Une étude est la mise en œuvre d'une configuration d'étude. Elle s'appuie sur l'objectif et les valeurs d'entrée de la configuration de l'étude (hyperparamètres ou paramètres) pour réaliser des tests, appelés essais. Un essai est un ensemble spécifique de valeurs d'entrée qui produisent un résultat mesuré.

AI PlatformVizier suggère des valeurs d'entrée à utiliser pour chaque essai, mais ne réalise pas les tests à votre place.

Une étude se poursuit jusqu'à ce qu'elle atteigne la limite de nombre d'essais définie ou que vous l'interrompiez.

Différences entre AI Platform Vizier et AI PlatformTraining

Le réglage des hyperparamètres d'AI Platform Training facilite la détermination du meilleur paramétrage des hyperparamètres pour les tâches d'entraînement à accomplir. AI Platform Vizier est conçu pour régler à la fois les hyperparamètres et les paramètres. Il peut être utilisé avec n'importe quel système que vous pouvez évaluer, y compris une tâche AI PlatformTraining. Consultez la section Optimiser un modèle de machine learning pour obtenir un exemple d'utilisation d'AI Platform Vizier avec AI PlatformTraining.

Cas d'utilisation

Voici quelques scénarios dans lesquels AIPlatform Vizier peut vous aider à régler les hyperparamètres pour optimiser un modèle, ou à régler les paramètres pour optimiser un résultat :

  • Optimiser le taux d'apprentissage, la taille de lot et d'autres hyperparamètres d'un moteur de recommandations de réseau de neurones.

  • Tester différentes dispositions des éléments de l'interface utilisateur pour améliorer la convivialité d'une application.

  • Déterminer la taille de la mémoire tampon et le nombre de threads idéaux pour minimiser les ressources de calcul employées pour exécuter une tâche.

  • Optimiser la quantité d'ingrédients dans une recette pour obtenir la version la plus aboutie.

Étapes suivantes