Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Hentikan Pekerjaan Pelatihan Lebih Awal
<a name="automatic-model-tuning-early-stopping"></a>

Hentikan pekerjaan pelatihan yang diluncurkan oleh pekerjaan tuning hyperparameter lebih awal ketika mereka tidak membaik secara signifikan yang diukur dengan metrik objektif. Menghentikan pekerjaan pelatihan lebih awal dapat membantu mengurangi waktu komputasi dan membantu Anda menghindari overfitting model Anda. Untuk mengonfigurasi pekerjaan tuning hyperparameter untuk menghentikan pekerjaan pelatihan lebih awal, lakukan salah satu hal berikut:
+ Jika Anda menggunakan AWS SDK untuk Python (Boto3), `TrainingJobEarlyStoppingType` atur bidang objek yang Anda gunakan untuk mengonfigurasi pekerjaan [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_HyperParameterTuningJobConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_HyperParameterTuningJobConfig.html)penyetelan. `AUTO`
+ Jika Anda menggunakan [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable), atur `early_stopping_type` parameter objek ke. [HyperParameterTuner](https://sagemaker.readthedocs.io/en/stable/tuner.html)`Auto`
+ **Di konsol Amazon SageMaker AI, di alur **kerja penyetelan Create hyperparameter**, di bawah **Pemberhentian awal**, pilih Otomatis.**

****Untuk contoh buku catatan yang menunjukkan cara menggunakan penghentian awal, lihat [https://github.com/awslabs/amazon-sagemaker-examples/blob/master/hyperparameter\$1tuning/image\$1classification\$1early\$1stopping/hpo\$1image\$1classification\$1early\$1stopping.ipynb](https://github.com/awslabs/amazon-sagemaker-examples/blob/master/hyperparameter_tuning/image_classification_early_stopping/hpo_image_classification_early_stopping.ipynb) atau buka buku catatan di bagian Penyetelan Hyperparameter dari Contoh AI dalam instance notebook. `hpo_image_classification_early_stopping.ipynb` SageMaker ****

## Bagaimana Berhenti Awal Bekerja
<a name="automatic-tuning-early-stop-how"></a>

Saat Anda mengaktifkan penghentian dini untuk pekerjaan penyetelan hiperparameter, SageMaker AI mengevaluasi setiap pekerjaan pelatihan yang diluncurkan oleh pekerjaan tuning hyperparameter sebagai berikut:
+ Setelah setiap zaman pelatihan, dapatkan nilai metrik objektif.
+ Hitung rata-rata berjalan dari metrik objektif untuk semua pekerjaan pelatihan sebelumnya hingga zaman yang sama, dan kemudian hitung median dari semua rata-rata berjalan.
+ Jika nilai metrik objektif untuk pekerjaan pelatihan saat ini lebih buruk (lebih tinggi saat meminimalkan atau lebih rendah saat memaksimalkan metrik objektif) daripada nilai rata-rata lari metrik objektif untuk pekerjaan pelatihan sebelumnya hingga zaman yang sama, SageMaker AI menghentikan pekerjaan pelatihan saat ini.

## Algoritma yang Mendukung Penghentian Awal
<a name="automatic-tuning-early-stopping-algos"></a>

Untuk mendukung penghentian awal, algoritme harus memancarkan metrik objektif untuk setiap zaman. Algoritma SageMaker AI bawaan berikut mendukung penghentian awal:
+ [LightGBM](lightgbm.md)
+ [CatBoost](catboost.md)
+ [AutoGluon-Tabular](autogluon-tabular.md)
+ [TabTransformer](tabtransformer.md)
+ [Algoritma Pembelajar Linear](linear-learner.md)—Didukung hanya jika Anda menggunakan `objective_loss` sebagai metrik tujuan.
+ [XGBoost algoritma dengan Amazon SageMaker AI](xgboost.md)
+ [Klasifikasi Gambar - MXNet](image-classification.md)
+ [Deteksi Objek - MXNet](object-detection.md)
+ [Sequence-to-Sequence Algoritma](seq-2-seq.md)
+ [Wawasan IP](ip-insights.md)

**catatan**  
Daftar algoritme bawaan yang mendukung penghentian awal ini adalah saat ini pada 13 Desember 2018. Algoritma bawaan lainnya mungkin mendukung penghentian awal di masa depan. Jika algoritme memancarkan metrik yang dapat digunakan sebagai metrik objektif untuk pekerjaan penyetelan hiperparameter (lebih disukai metrik validasi), maka itu mendukung penghentian awal.

Untuk menggunakan penghentian awal dengan algoritme Anda sendiri, Anda harus menulis algoritme Anda sedemikian rupa sehingga memancarkan nilai metrik objektif setelah setiap zaman. Daftar berikut menunjukkan bagaimana Anda dapat melakukannya dalam kerangka kerja yang berbeda:

TensorFlow  
Gunakan `tf.keras.callbacks.ProgbarLogger` kelas. Untuk selengkapnya, lihat [tf.keras.callbacks. ProgbarLogger ](https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/ProgbarLogger)API.

MXNet  
Gunakan `mxnet.callback.LogValidationMetricsCallback`. Untuk selengkapnya, lihat [ APIsmxnet.callback](https://mxnet.apache.org/versions/master/api/python/docs/api/legacy/callback/index.html).

Chainer  
Perluas chainer dengan menggunakan `extensions.Evaluator` kelas. Untuk selengkapnya, lihat [Chainer.Training.Extensions.Evaluator API](https://docs.chainer.org/en/v1.24.0/reference/extensions.html#evaluator).

PyTorch dan Spark  
Tidak ada dukungan tingkat tinggi. Anda harus secara eksplisit menulis kode pelatihan Anda sehingga menghitung metrik objektif dan menulisnya ke log setelah setiap epoch.