Agent Platform Vizier 總覽

Agent Platform Vizier 是一項工具，可針對任何具有可設定參數的系統進行最佳化，但評估任何給定參數設定都是一項耗費資源的工作。當機器學習模型有許多不同的超參數時，手動調整可能既困難又耗時。Agent Platform Vizier 會為您調整超參數，進而最佳化模型的輸出內容。

黑盒最佳化是指系統最佳化，符合下列任一條件：

  • 沒有已知的目標函式可供評估。

  • 使用目標函式評估的成本過高，通常是因為系統複雜。

Agent Platform Vizier 的其他功能

Agent Platform Vizier 可最佳化機器學習模型的超參數，但也能執行其他最佳化工作。

調整參數

您可以使用 Agent Platform Vizier 有效調整函式中的參數。舉例來說，您可以使用 Agent Platform Vizier，判斷新聞網站訂閱按鈕上最有效的背景顏色、字型大小和連結顏色組合。如需更多範例，請參閱「使用案例」。

瞭解超參數和參數之間的差異。

最佳化任何可評估的系統

Agent Platform Vizier 可評估任何系統，包括無法以封閉形式的分析函式表示的系統。舉例來說，您可以使用 Agent Platform Vizier，為 TensorFlow 模型找出最佳類神經網路深度、寬度和學習率。

Agent Platform Vizier 的運作方式

以下各節定義了您可搭配 Agent Platform Vizier 使用的字詞、行為和可用值，藉此最佳化 ML 模型或函式。請先決定研究設定。

研究設定

研究設定是指您嘗試解決的最佳化問題定義，包括您想最佳化的結果，以及影響該結果的超參數或參數。

研究和試驗

研究是研究設定的實作項目。研究會使用研究設定目標 (指標) 和輸入值 (超參數或參數) 進行實驗，也就是「試驗」。試驗是一組特定的輸入值，可產生與目標相關的評估結果。

Agent Platform Vizier 會建議每次試驗使用的輸入值，但不會為您執行試驗。

研究會持續進行，直到達到設定的試驗次數上限，或是您中斷研究為止。試驗會持續進行，直到您指出試驗已完成或不可行。

測量數據

評估是試驗的評估結果。每項評估可包含一或多個指標，而每項試驗可包含一段時間內進行的一或多項評估。您可以在試驗完成前隨時新增評估。

搜尋演算法

如未指定演算法，Agent Platform Vizier 會使用預設演算法。預設演算法會套用貝氏最佳化方法，以更有效率的方式搜尋參數空間，進而獲得最佳解決方案。

可用的值如下：

  • ALGORITHM_UNSPECIFIED：與未指定演算法相同。Agent Platform 會從高斯程序強盜演算法、線性組合搜尋或其變體中，選擇最佳搜尋演算法。

  • GRID_SEARCH：在可行空間內執行網格搜尋。如果您要指定的試驗數量超過可行空間中的點數，這個選項就非常實用。在這種情況下，如果您沒有指定網格搜尋，預設演算法可能會產生重複的建議。如要使用網格搜尋，所有參數的類型必須是 INTEGER、CATEGORICAL 或 DISCRETE。

  • RANDOM_SEARCH：在可行空間內執行隨機搜尋。

Agent Platform Vizier 與自訂訓練的差異

Agent Platform Vizier 是一項獨立服務，可最佳化含有許多參數的複雜模型，適用於機器學習和非機器學習用途，並可搭配訓練工作或其他系統 (甚至是多雲) 使用。自訂訓練的超參數微調是內建功能，可搭配訓練工作使用 Agent Platform Vizier，協助判斷機器學習模型的最佳超參數設定。

用途

在下列情境中，Agent Platform Vizier 可協助調整超參數，以最佳化模型或調整參數，以最佳化結果：

  • 最佳化類神經網路推薦引擎的學習率、批量大小和其他超參數。

  • 測試不同使用者介面元素的排列方式，提升應用程式的可用性。

  • 找出理想的緩衝區空間和執行緒數量，盡量減少工作所需的運算資源。

  • 調整食譜中的食材用量，做出最美味的版本。

後續步驟