Vista geral do Vertex AI Vizier

O Vertex AI Vizier é uma ferramenta para otimizar qualquer sistema com parâmetros configuráveis em que a avaliação de quaisquer definições de parâmetros é uma tarefa dispendiosa. Quando os modelos de ML têm muitos hiperparâmetros diferentes, pode ser difícil e demorado ajustá-los manualmente. O Vertex AI Vizier otimiza a saída do seu modelo ajustando os hiperparâmetros por si.

A otimização de caixa negra é a otimização de um sistema que cumpre qualquer um dos seguintes critérios:

  • Não tem uma função objetivo conhecida para avaliar.

  • É demasiado dispendioso avaliar através da função objetivo, normalmente devido à complexidade do sistema.

Funcionalidade adicional do Vertex AI Vizier

O Vertex AI Vizier otimiza os hiperparâmetros dos modelos de ML, mas também pode realizar outras tarefas de otimização.

Parâmetros de ajuste

Pode usar o Vertex AI Vizier para ajustar eficazmente os parâmetros numa função. Por exemplo, use o Vertex AI Vizier para determinar a combinação mais eficaz de cor de fundo, tamanho do tipo de letra e cor do link no botão de subscrição de um Website de notícias. Para ver mais exemplos, consulte os exemplos de utilização.

Leia acerca da diferença entre hiperparâmetros e parâmetros.

Otimize qualquer sistema avaliável

O Vertex AI Vizier funciona com qualquer sistema que possa avaliar, incluindo sistemas que não podem ser expressos como uma função analítica de forma fechada. Por exemplo, use o Vertex AI Vizier para encontrar a melhor profundidade, largura e taxa de aprendizagem da rede neural para um modelo do TensorFlow.

Como funciona o Vertex AI Vizier

As secções seguintes definem os termos, o comportamento e os valores disponíveis que pode usar com o Vertex AI Vizier para otimizar o seu modelo ou função de ML. Comece por determinar uma configuração do estudo.

Configurações do estudo

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

Estudos e testes

Um estudo é a implementação de uma configuração de estudo. Um estudo usa os objetivos (métricas) e os valores de entrada (hiperparâmetros ou parâmetros) da configuração do estudo para realizar experiências, denominadas testes. Um teste é um conjunto específico de valores de entrada que produz um resultado medido relativamente aos seus objetivos.

O Vertex AI Vizier sugere valores de entrada a usar para cada teste, mas não executa testes por si.

Um estudo continua até atingir um limite definido de testes ou até o interromper. Uma tentativa continua até indicar que terminou ou é inviável.

Medições

Uma medição é o resultado medido da sua avaliação. Cada medição pode conter uma ou mais métricas, e cada teste pode conter uma ou mais medições feitas durante um período. Pode adicionar uma nova medição à avaliação em qualquer altura antes de esta ser concluída.

Algoritmos de pesquisa

Se não especificar um algoritmo, o Vertex AI Vizier usa o algoritmo predefinido. O algoritmo predefinido aplica a otimização Bayesiana para chegar à solução ideal com uma pesquisa mais eficaz no espaço de parâmetros.

Estão disponíveis os seguintes valores:

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

  • GRID_SEARCH: uma pesquisa de grelha simples no espaço viável. Esta opção é útil se quiser especificar uma quantidade de testes que seja superior ao número de pontos no espaço viável. Nestes casos, se não especificar uma pesquisa de grelha, o algoritmo predefinido pode gerar sugestões duplicadas. Para usar a pesquisa de grelha, todos os parâmetros têm de ser do tipo INTEGER, CATEGORICAL ou DISCRETE.

  • RANDOM_SEARCH: uma pesquisa aleatória simples no espaço viável.

Como o Vertex AI Vizier difere da preparação personalizada

O Vertex AI Vizier é um serviço independente para otimizar modelos complexos com muitos parâmetros. Pode ser usado para exemplos de utilização de ML e não de ML. Pode ser usado com tarefas de preparação ou com outros sistemas (mesmo em várias nuvens). O hiperaperfeiçoamento dos parâmetros para a preparação personalizada é uma funcionalidade integrada que usa o Vertex AI Vizier para tarefas de preparação. Ajuda a determinar as melhores definições de hiperparâmetros para um modelo de ML.

Exemplos de utilização

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

  • Otimizar a taxa de aprendizagem, o tamanho do lote e outros hiperparâmetros de um motor de recomendações de redes neurais.

  • Otimize a usabilidade de uma aplicação testando diferentes disposições dos elementos da interface do utilizador.

  • Minimize os recursos de computação para uma tarefa identificando um tamanho de buffer ideal e uma contagem de threads.

  • Otimizar as quantidades de ingredientes numa receita para produzir a versão mais deliciosa.

O que se segue?