Vertex AI Vizier הוא כלי לאופטימיזציה של כל מערכת עם פרמטרים שניתנים להגדרה, שבה הערכה של הגדרות פרמטרים נתונות היא משימה יקרה. אם למודלים של למידת מכונה יש הרבה היפר-פרמטרים שונים, יכול להיות שיהיה קשה וממושך לכוונן אותם באופן ידני. Vertex AI Vizier מבצע אופטימיזציה של הפלט של המודל על ידי כוונון ההיפר-פרמטרים בשבילכם.
אופטימיזציה של קופסה שחורה היא אופטימיזציה של מערכת שעומדת באחד מהקריטריונים הבאים:
אין פונקציית יעד ידועה להערכה.
יקר מדי להערכה באמצעות פונקציית היעד, בדרך כלל בגלל מורכבות המערכת.
פונקציונליות נוספת של Vertex AI Vizier
Vertex AI Vizier מבצע אופטימיזציה של היפר-פרמטרים של מודלים של למידת מכונה, אבל הוא יכול גם לבצע משימות אופטימיזציה אחרות.
התאמת פרמטרים
אתם יכולים להשתמש ב-Vertex AI Vizier כדי לכוון ביעילות פרמטרים בפונקציה. לדוגמה, אפשר להשתמש ב-Vertex AI Vizier כדי לקבוע את השילוב היעיל ביותר של צבע הרקע, גודל הגופן וצבע הקישור בלחצן ההרשמה באתר חדשות. דוגמאות נוספות מופיעות בתרחישים לדוגמה.
מידע נוסף על ההבדל בין היפרפרמטרים לפרמטרים
אופטימיזציה של כל מערכת שניתן להעריך
Vertex AI Vizier פועל עם כל מערכת שאפשר להעריך, כולל מערכות שלא ניתן לבטא כפונקציה אנליטית בצורה סגורה. לדוגמה, אפשר להשתמש ב-Vertex AI Vizier כדי למצוא את העומק, הרוחב וקצב הלמידה הכי טובים של רשת נוירונים עבור מודל TensorFlow.
איך Vertex AI Vizier עובד
בקטעים הבאים מוגדרים מונחים, התנהגויות וערכים זמינים שאפשר להשתמש בהם ב-Vertex AI Vizier כדי לבצע אופטימיזציה של מודל או פונקציה של למידת מכונה. מתחילים בקביעת הגדרות המחקר.
הגדרות המחקר
הגדרת מחקר היא ההגדרה של בעיית האופטימיזציה שאתם מנסים לפתור. היא כוללת את התוצאה שרוצים לבצע לגביה אופטימיזציה ואת ההיפרפרמטרים או הפרמטרים שמשפיעים על התוצאה הזו.
מחקרים וניסויים
מחקר הוא הטמעה של הגדרת מחקר. במסגרת המחקר, נעשה שימוש ביעדי ההגדרה של המחקר (מדדים) ובערכי הקלט (היפרפרמטרים או פרמטרים) כדי לערוך ניסויים שנקראים ניסויים. ניסיון הוא קבוצה ספציפית של ערכי קלט שמניבה תוצאה שנמדדת ביחס ליעדים שלכם.
Vertex AI Vizier מציע ערכי קלט לשימוש בכל ניסיון, אבל הוא לא מריץ ניסויים בשבילכם.
מחקר נמשך עד שהוא מגיע למגבלה מוגדרת של ניסויים, או עד שמפריעים למחקר. הניסוי נמשך עד שמציינים שהוא הסתיים או שהוא לא מעשי.
מדידות
מדידה היא התוצאה שנמדדה בניסוי. כל מדידה יכולה לכלול מדד אחד או יותר, וכל ניסוי יכול לכלול מדידה אחת או יותר שבוצעו לאורך תקופה. אפשר להוסיף מדידה חדשה לתקופת הניסיון בכל שלב לפני שהיא מסתיימת.
אלגוריתמים של חיפוש
אם לא מציינים אלגוריתם, Vertex AI Vizier משתמש באלגוריתם שמוגדר כברירת מחדל. אלגוריתם ברירת המחדל משתמש באופטימיזציה בייסיאנית כדי להגיע לפתרון האופטימלי באמצעות חיפוש יעיל יותר במרחב הפרמטרים.
הערכים הבאים זמינים:
ALGORITHM_UNSPECIFIED: זהה למצב שבו לא מציינים אלגוריתם. Vertex AI בוחר את אלגוריתם החיפוש הטוב ביותר מבין אלגוריתמי Gaussian process bandits, חיפוש שילוב ליניארי או וריאציות שלהם.
GRID_SEARCH: חיפוש Grid בתוך המרחב האפשרי. האפשרות הזו שימושית אם רוצים לציין מספר ניסויים שגדול ממספר הנקודות במרחב האפשרי. במקרים כאלה, אם לא מציינים חיפוש Grid, האלגוריתם שמוגדר כברירת מחדל יכול ליצור הצעות כפולות. כדי להשתמש בחיפוש Grid, כל הפרמטרים צריכים להיות מסוגINTEGER,CATEGORICALאוDISCRETE.
RANDOM_SEARCH: חיפוש אקראי במרחב האפשרי.
ההבדלים בין Vertex AI Vizier לבין אימון מותאם אישית
Vertex AI Vizier הוא שירות עצמאי לאופטימיזציה של מודלים מורכבים עם פרמטרים רבים. אפשר להשתמש בו גם בתרחישי שימוש של למידת מכונה וגם בתרחישי שימוש שלא קשורים ללמידת מכונה. אפשר להשתמש בו במשימות אימון או במערכות אחרות (גם בענן מרובה). כוונון היפר-פרמטרים לאימון מותאם אישית הוא תכונה מובנית שמשתמשת ב-Vertex AI Vizier למשימות אימון. הוא עוזר לקבוע את ההגדרות הטובות ביותר של היפרפרמטרים למודל של למידת מכונה.
תרחישים לדוגמה
בתרחישים הבאים, Vertex AI Vizier עוזר לכוונן היפר-פרמטרים כדי לבצע אופטימיזציה של מודל, או לכוונן פרמטרים כדי לבצע אופטימיזציה של תוצאה:
אופטימיזציה של קצב הלמידה, גודל האצווה והיפרפרמטרים אחרים של מנוע המלצות מבוסס-רשת נוירונים.
אפשר לבצע אופטימיזציה של השימושיות של אפליקציה על ידי בדיקת סידורים שונים של רכיבי ממשק המשתמש.
כדי לצמצם את משאבי המחשוב של משימה, צריך לזהות את גודל שטח האחסון הזמני האידיאלי ואת מספר השרשורים.
אופטימיזציה של כמויות המרכיבים במתכון כדי ליצור את הגרסה הכי טעימה.
המאמרים הבאים
- מידע נוסף על האופן שבו Vertex AI Vizier מבצע אופטימיזציה של פונקציות מרובות יעדים זמין במאמר Random Hypervolume Scalarizations for Provable Multi-Objective Black Box Optimization.