Vizier 概览

AI Platform Vizier 是一项黑盒优化服务,可帮助您调节复杂机器学习 (ML) 模型中的超参数。如果机器学习模型具有多个不同的超参数,则手动调节这些参数可能会既困难又耗时。AI Platform Vizier 可通过为您调节超参数来优化模型的输出。

黑盒优化是对符合以下任一条件的系统的优化:

  • 没有已知的目标函数进行评估。

  • 使用目标函数进行评估的费用过高,这通常是因为系统的复杂性。

如果对某个系统进行实验比完全理解它要更为容易,则该系统的行为就像是一个黑盒。如果您需要优化该系统,就可以使用黑盒优化。

其他 AI Platform Vizier 功能

AI Platform Vizier 旨在优化机器学习模型的超参数,但也可以执行其他优化任务。

调节参数

AI Platform Vizier 可有效地调节函数中的参数。例如,您可以使用 AI Platform Vizier 来确定新闻网站“订阅”按钮上最有效的背景颜色、字体大小和链接颜色组合。如需查看更多示例,请参阅用例了解超参数与参数之间的区别

优化任何可评估的系统

AI Platform Vizier 可用于任何您可以评估的系统。这包括不能表示为封闭式分析函数的系统。例如,您可以使用 AI Platform Vizier 找到 TensorFlow 模型的最佳神经网络深度、宽度和学习速率。

AI Platform Vizier 的工作原理

以下部分总结了如何使用 AI Platform Vizier 来优化您的机器学习模型或函数。首先确定研究配置

学习配置

研究配置是您尝试解决的优化问题的定义。它包括您要优化的结果以及影响该结果的超参数或参数。

研究和试验

研究是研究配置的实现。研究使用研究配置的目标和输入值(超参数或参数)进行实验(称为试验)。试验是一组特定的会产生测量结果的输入值。

AI Platform Vizier 会建议要用于每次试验的输入值,但不会为您运行试验。

研究会持续进行,直至达到设定的试验限制或者您中断试验为止。

AI Platform Vizier 与 AI Platform Training 的区别

AI Platform Training 超参数调节可让您更轻松地确定 AI Platform Training 作业的最佳超参数设置。AI Platform Vizier 旨在同时调节超参数和参数,并且可用于任何您可以评估的系统(包括 AI Platform Training 作业)。如需查看如何将 AI Platform Vizier 与 AI Platform Training 结合使用的示例,请参阅优化机器学习模型

使用场景

以下是 AI Platform Vizier 可以帮助调节超参数以优化模型或调节参数以优化结果的几种场景:

  • 优化神经网络推荐引擎的学习速率、批次大小以及其他超参数。

  • 测试不同的界面元素排列方式,以优化应用的易用性。

  • 找到理想的缓冲区大小和线程数,以最大限度地减少作业的计算资源。

  • 优化配方中的成分量,以制作出最美味的菜品。

后续步骤