Visão geral da Vertex AI Vizier

O Vertex AI Vizier é uma ferramenta para otimizar qualquer sistema com parâmetros configuráveis em que a avaliação de qualquer configuração de parâmetro é uma tarefa cara. Quando os modelos de ML têm muitos hiperparâmetros diferentes, é possível que seja difícil e demorado ajustá-los manualmente. O Vertex AI Vizier otimiza a saída do modelo ajustando os hiperparâmetros para você.

A otimização de caixa preta é a otimização de um sistema que atende a um dos seguintes critérios:

  • Não tem uma função de objetivo conhecida para avaliar.

  • É muito caro avaliar usando a função de objetivo, geralmente devido à complexidade do sistema.

Funcionalidade extra do Vertex AI Vizier

A Vertex AI Vizier otimiza hiperparâmetros de modelos de ML, mas também pode executar outras tarefas de otimização.

Ajustar parâmetros

É possível usar o Vertex AI Vizier para ajustar efetivamente os parâmetros em uma função. Por exemplo, use o Vertex AI Vizier para determinar a combinação mais eficaz de cor do plano de fundo, tamanho da fonte e cor do link no botão "Cadastro" de um site de notícias. Para mais exemplos, consulte os casos de uso.

Leia sobre a diferença entre hiperparâmetros e parâmetros.

Otimize qualquer sistema avaliado

O Vertex AI Vizier funciona com qualquer sistema que possa ser avaliado, incluindo sistemas que não possam ser expressos como uma função analítica de formato fechado. Use o Vertex AI Vizier para encontrar a melhor profundidade, largura e taxa de aprendizado de rede neural para um modelo do TensorFlow.

Como funciona a Vertex AI Vizier

As seções a seguir definem os termos, o comportamento e os valores disponíveis que podem ser usados com o Vertex AI Vizier para otimizar o modelo ou a função de ML. Comece determinando uma configuração de estudo.

Configurações de estudo

Uma configuração de estudo é a definição do problema de otimização que você está tentando resolver. Ele inclui o resultado que você quer otimizar e os hiperparâmetros ou parâmetros que afetam esse resultado.

Estudos e testes

Um estudo é a implementação de uma configuração de estudo. Um estudo usa a meta (métricas) e os valores de entrada da configuração do estudo (hiperparâmetros ou parâmetros) para realizar experimentos, chamados de testes. Um teste é um conjunto específico de valores de entrada que produz um resultado medido em relação às metas.

O Vertex AI Vizier sugere valores de entrada a serem usados em cada teste, mas não executa os testes para você.

Um estudo continua até alcançar um limite definido de testes ou até você interromper o estudo. Um teste continua até que você indique que foi finalizado ou não é possível.

Medições

Uma medida é o resultado medido do seu teste. Cada medida pode conter uma ou mais métricas, e cada teste pode conter uma ou mais medidas durante um período. Você pode adicionar uma nova medida ao teste a qualquer momento antes do término do teste.

Algoritmos de pesquisa

Se você não especificar um algoritmo, o Vertex AI Vizier usará o algoritmo padrão. O algoritmo padrão aplica a otimização bayesiana para chegar à solução ideal com uma pesquisa mais eficaz sobre o espaço do parâmetro.

Os seguintes valores estão disponíveis:

  • ALGORITHM_UNSPECIFIED: igual a não especificar um algoritmo. A Vertex AI escolhe o melhor algoritmo de pesquisa entre bandidos de processo gaussianos, pesquisa de combinação linear ou as variantes deles.

  • GRID_SEARCH: uma pesquisa de grade simples dentro do espaço viável. Essa opção será útil se você quiser especificar uma quantidade de tentativas maior do que o número de pontos no espaço viável. Nesse casos, se você não especificar uma pesquisa de grade, o algoritmo padrão poderá gerar sugestões duplicadas. Para usar a pesquisa de grade, todos os parâmetros precisam ser do tipo INTEGER, CATEGORICAL ou DISCRETE.

  • RANDOM_SEARCH: uma pesquisa aleatória simples dentro do espaço viável.

Qual é a diferença entre o Vertex AI Vizier e o treinamento personalizado

O Vertex AI Vizier é um serviço independente para otimizar modelos complexos com muitos parâmetros. Pode ser usado para casos de uso de ML e não. Ele pode ser usado com jobs de treinamento ou com outros sistemas (até mesmo com várias nuvens). O ajuste de hiperparâmetro para treinamento personalizado é um recurso integrado que usa o Vertex AI Vizier para jobs de treinamento. Ele ajuda a determinar as melhores configurações de hiperparâmetros para um modelo de ML.

Casos de uso

Nos cenários a seguir, o Vertex AI Vizier ajuda a ajustar hiperparâmetros para otimizar um modelo ou ajustar parâmetros para otimizar um resultado:

  • Otimize a taxa de aprendizado, o tamanho do lote e outros hiperparâmetros de um mecanismo de recomendação de rede neural.

  • Otimize a usabilidade de um aplicativo testando diferentes arranjos de elementos da interface do usuário.

  • Minimizar os recursos de computação de um job identificando um tamanho de buffer e uma contagem de linhas de execução ideais.

  • Otimize a quantidade de ingredientes em uma receita para produzir a melhor versão dela.

A seguir