SageMaker - 監視和最佳化

在 SageMaker 中監視模型效能

監視機器學習模型是確保模型在生產中部署時按照預期執行的重要步驟。Amazon SageMaker 提供多種工具用於監視模型、跟蹤指標和檢測效能隨時間推移出現下降的情況。

SageMaker 模型監視器

SageMaker 模型監視器工具持續即時跟蹤模型質量。它監視傳入資料中是否存在任何不一致，並在模型預測與預期結果不同時向您發出警報。該工具確保您的模型始終保持準確性和可靠性。

CloudWatch 整合

另一個監視工具是 CloudWatch。Amazon SageMaker 可輕鬆與 Amazon CloudWatch 整合，以即時收集、跟蹤和視覺化效能指標。它允許您配置自定義指標，例如準確性或延遲。

自動再訓練

SageMaker 還支援自動化再訓練，允許您在滿足特定條件時設定觸發器以重新訓練模型。透過自動化再訓練，您可以確保您的模型始終根據最新資料進行更新。

超引數調整和最佳化

超引數調整在從 ML 模型中獲得最佳效能方面發揮著重要作用。Amazon SageMaker 的超引數最佳化功能允許您自動搜尋模型的最佳超引數組合。

在 SageMaker 中實施超引數調整

SageMaker 的自動超引數調整也稱為超引數最佳化 (HPO)。它透過使用不同引數組合執行多個訓練作業來幫助您找到最佳超引數。

範例

下面是 SageMaker 中超引數調整的基本 Python 程式碼範例 −

from sagemaker.tuner import HyperparameterTuner, ContinuousParameter

# Define the hyperparameters to tune
hyperparameter_ranges = {
    'eta': ContinuousParameter(0.01, 0.2),
    'max_depth': ContinuousParameter(3, 10)
}

# Set up the tuner
tuner = HyperparameterTuner(
    estimator=xgboost_estimator,
    objective_metric_name='validation:accuracy',
    hyperparameter_ranges=hyperparameter_ranges,
    max_jobs=10,
    max_parallel_jobs=2
)

# Start tuning job
tuner.fit({"train": train_input, "validation": validation_input})