As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Práticas recomendadas para o ajuste de hiperparâmetros
A otimização de hiperparâmetros (HPO) não é um processo totalmente automatizado. Para melhorar a otimização, siga estas práticas recomendadas para ajuste de hiperparâmetros.
**Topics**
+ [Escolhendo uma estratégia de ajuste](#automatic-model-tuning-strategy)
+ [Escolher o número de hiperparâmetros](#automatic-model-tuning-num-hyperparameters)
+ [Escolher intervalos de hiperparâmetros](#automatic-model-tuning-choosing-ranges)
+ [Usando as escalas corretas para hiperparâmetros](#automatic-model-tuning-log-scales)
+ [Escolher o melhor número de trabalhos de treinamento simultâneos](#automatic-model-tuning-parallelism)
+ [Executar trabalhos de treinamento em várias instâncias](#automatic-model-tuning-distributed-metrics)
+ [Usando uma semente aleatória para reproduzir configurações de hiperparâmetros](#automatic-model-tuning-random-seed)
## Escolhendo uma estratégia de ajuste
Para trabalhos grandes, o uso da estratégia de ajuste [Hyperband](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-how-it-works.html#automatic-tuning-hyperband) pode reduzir o tempo de computação. O Hyperband tem um mecanismo de interrupção antecipada para impedir trabalhos de baixo desempenho. O Hyperband também pode realocar recursos para configurações de hiperparâmetros bem utilizadas e executar trabalhos paralelos. Para trabalhos de treinamento menores usando menos runtime, use a [pesquisa aleatória](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-how-it-works.html#automatic-tuning-random-search) ou a [otimização bayesiana](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-how-it-works.html#automatic-tuning-bayesian-optimization.title).
Use a otimização bayesiana para tomar decisões cada vez mais informadas sobre como melhorar as configurações de hiperparâmetros na próxima execução. A otimização bayesiana usa informações coletadas de execuções anteriores para melhorar as execuções subsequentes. Devido à sua natureza sequencial, a otimização bayesiana não pode ser escalada massivamente.
Use a pesquisa aleatória para executar um grande número de trabalhos paralelos. Na busca aleatória, trabalhos subsequentes não dependem dos resultados de trabalhos anteriores e podem ser executados de forma independente. Em comparação com outras estratégias, a pesquisa aleatória é capaz de executar o maior número de trabalhos paralelos.
Use a [pesquisa em grade](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning-how-it-works.html#automatic-tuning-grid-search) para reproduzir os resultados de um trabalho de ajuste ou se a simplicidade e a transparência do algoritmo de otimização forem importantes. Você também pode usar a pesquisa em grade para explorar todo o espaço de pesquisa de hiperparâmetros de maneira uniforme. A pesquisa em grade pesquisa metodicamente todas as combinações de hiperparâmetros para encontrar os valores ideais dos hiperparâmetros. Ao contrário da pesquisa em grade, a otimização bayesiana, a pesquisa aleatória e o Hyperband extraem hiperparâmetros aleatoriamente do espaço de pesquisa. Como a pesquisa em grade analisa todas as combinações de hiperparâmetros, os valores ótimos dos hiperparâmetros serão idênticos entre os trabalhos de sintonia que utilizam os mesmos hiperparâmetros.
## Escolher o número de hiperparâmetros
Durante a otimização, a complexidade computacional de um trabalho de ajuste de hiperparâmetros depende do seguinte:
+ O número de hiperparâmetros.
+ A faixa de valores que a Amazon SageMaker AI precisa pesquisar
Embora você possa especificar simultaneamente até 30 hiperparâmetros, limitar sua pesquisa a um número menor pode reduzir o tempo de computação. A redução do tempo de computação permite que a SageMaker IA converja mais rapidamente para uma configuração ideal de hiperparâmetros.
## Escolher intervalos de hiperparâmetros
O intervalo de valores que você escolhe pesquisar pode afetar adversamente a otimização de hiperparâmetros. Por exemplo, uma faixa que abrange todos os possíveis valores de hiperparâmetros pode resultar em tempos de processamento extensos e um modelo que não generaliza bem para dados não vistos. Se você souber que usar um subconjunto da faixa mais ampla é apropriado para o seu caso de uso, considere limitar a faixa a esse subconjunto.
## Usando as escalas corretas para hiperparâmetros
Durante o ajuste de hiperparâmetros, a SageMaker IA tenta inferir se seus hiperparâmetros estão em escala logarítmica ou linear. Inicialmente, a SageMaker IA assume uma escala linear para hiperparâmetros. Se os hiperparâmetros forem em escala logarítmica, escolher a escala correta tornará sua pesquisa mais eficiente. Você também pode selecionar `Auto` `ScalingType` na [CreateHyperParameterTuningJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html)API se quiser que a SageMaker IA detecte a escala para você.
## Escolher o melhor número de trabalhos de treinamento simultâneos
Você pode usar os resultados de testes anteriores para melhorar o desempenho dos testes subsequentes. Escolha o maior número de trabalhos paralelos que proporcionaria um resultado incremental significativo e que esteja dentro das restrições de computação de sua região e conta. Use o campo [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResourceLimits.html#MaxParallelTrainingJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ResourceLimits.html#MaxParallelTrainingJobs) para limitar o número de trabalhos de treinamento que um trabalho de ajuste de hiperparâmetros pode iniciar paralelamente. Para obter mais informações, consulte [Executando várias tarefas de HPO em paralelo na Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/running-multiple-hpo-jobs-in-parallel-on-amazon-sagemaker).
## Executar trabalhos de treinamento em várias instâncias
Quando um trabalho de treinamento é executado em vários computadores no modo distribuído, cada máquina emite uma métrica objetiva. O HPO pode usar apenas uma dessas métricas objetivas emitidas para avaliar o desempenho do modelo. No modo distribuído, o HPO utiliza a métrica objetiva reportada pelo último trabalho em execução em todas as instâncias para avaliação.
## Usando uma semente aleatória para reproduzir configurações de hiperparâmetros
Você pode especificar um número inteiro como uma semente aleatória para a sintonia de hiperparâmetros e usar essa semente durante a geração de hiperparâmetros. Posteriormente, você pode usar a mesma semente para reproduzir configurações de hiperparâmetros que sejam consistentes com seus resultados anteriores. Para pesquisas aleatórias e estratégias do Hyperband, o uso da mesma semente aleatória pode fornecer até 100% de reprodutibilidade da configuração anterior do hiperparâmetro para o mesmo trabalho de ajuste. Para a estratégia bayesiana, usar a mesma semente aleatória melhorará a reprodutibilidade para o mesmo trabalho de ajuste.