dlmztrain

Est-il possible d'automatiser la recherche des meilleurs hyperparamètres pendant l'entraînement du modèle pour un gain de temps business ?

Optimisation de l'Hyper-paramétrage (Autotuning)

Autotuning Hyperparamètres EAGLS Machine Learning Optimisation

Absolument. L'action propose le bloc de paramètres tuner qui supporte plusieurs méthodes de recherche pour l'hyper-paramétrage telles que EAGLS, GRID, LHS et RANDOM. De plus, elle intègre une option fidelity qui permet d'utiliser une approche d'évaluation basée sur la fidélité. Cela permet d'éliminer de manière précoce les configurations sous-performantes en fonction d'un taux de coupure défini par fidelityCutRate, économisant ainsi des ressources de calcul massives. Les performances sont ensuite stockées dans une table globale spécifiée par autotuneStatusTable.

Schéma : Est-il possible d'automatiser la recherche des meilleurs hyperparamètres pendant l'entraînement du modèle pour un gain de temps business ?

Exemples pour l'action dlmztrain

Entraînement basique d'un modèle de Deep Learning

Cet exemple montre comment lancer un entraînement simple avec l'optimiseur ADAM sur 5 époques à partir de données d'images.

Entraînement avancé avec Validation, accélération GPU et Arrêt Prématuré

Ici on sort l'artillerie lourde : utilisation de GPU multiples, d'un jeu de validation croisée, de l'optimiseur SGD avec momentum, et d'un mécanisme d'arrêt prématuré (Early Stopping) si la perte de validation stagne pendant 3 époques consécutives.

Conseil de l'Expert
Pour des jeux de données volumineux, privilégiez la méthode de recherche EAGLS (Evolutionary Algorithms with Local Search). Contrairement au Grid Search qui explore aveuglément des zones inutiles, EAGLS converge plus rapidement vers l'optimum global en combinant exploration génétique et exploitation locale.

Cette réponse vous a-t-elle aidé ?

Utilisateur FAQ SAS Viya
Vos votes aident à améliorer notre base de connaissances.

Action CAS associée

dlmodelzoo

dlmztrain
À lire aussi...
Comment cette action gère-t-elle la distribution des données pour accélérer l'entraînement sur des architectures massivement parallèles ? Comment cette action gère-t-elle la distribution des données pour accélérer l'entraînement sur des architectures massivement parallèles ? Quels algorithmes d'optimisation sont disponibles et comment prévenir le phénomène de surapprentissage lors de l'entraînement ? L'action supporte-t-elle le Transfer Learning ou le gel de couches pour affiner un modèle pré-entraîné à nos données spécifiques ? Comment puis-je transmettre des configurations complexes PyTorch qui ne sont pas exposées nativement dans les paramètres de l'action ? Quel est le rôle principal de l'action dlmzTrain dans SAS Viya et sur quel framework repose-t-elle ? Quel est le rôle principal de l'action dlmzTrain dans SAS Viya et sur quel framework repose-t-elle ?