本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用 SageMaker AI 自动调整模型
<a name="automatic-model-tuning"></a>

Amazon SageMaker AI 自动模型调整 (AMT) 通过在您的数据集中运行许多训练作业来找到模型的最佳版本。Amazon SageMaker AI 自动模型调整 (AMT) 也称为超参数调整。为此，AMT 使用您指定的算法和超参数范围。然后，选择超参数值创建性能最佳的模型（按照您选择的指标衡量）。

例如，在营销数据集上运行*[二元分类](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#binary-classification-model)*问题。您的目标是通过训练 [XGBoost 使用 Amazon A SageMaker I 的算法](xgboost.md)模型，最大化算法的*[曲线下面积 (AUC)](https://docs.aws.amazon.com/glossary/latest/reference/glos-chap.html#AUC)* 指标。您希望找出 `eta`、`alpha`、`min_child_weight` 和 `max_depth` 超参数的哪些值可以训练出最佳模型。为这些超参数指定值的范围。然后， SageMaker AI 超参数调优在范围内搜索以找到一种组合，该组合可以创建具有最高 AUC 的模型，从而创建具有最高 AUC 的模型。为了节省资源或满足特定的模型质量期望，可以设置完成标准，以便在达到标准后停止调优。

您可以将 SageMaker AI AMT 与内置算法、自定义算法或机器学习框架的 SageMaker AI 预构建容器一起使用。

SageMaker AI AMT 可以在运行训练作业时使用 Amazon EC2 竞价型实例来优化成本。有关更多信息，请参阅 [Amazon SageMaker AI 中的托管竞价型训练](model-managed-spot-training.md)。

在开始使用超参数调优之前，您应该已经具有明确定义的机器学习问题，包括下列内容：
+ 数据集
+ 了解需要训练的算法类型
+ 明确了解如何衡量成功

准备好您的数据集和算法，使其在 SageMaker AI 中运行并至少成功运行一次训练作业。有关设置和运行训练作业的信息，请参阅[亚马逊 A SageMaker I 入门指南](gs.md)。

**Topics**
+ [了解 Amazon A SageMaker I 中可用的超参数调整策略](automatic-model-tuning-how-it-works.md)
+ [定义指标和环境变量](automatic-model-tuning-define-metrics-variables.md)
+ [定义超参数范围](automatic-model-tuning-define-ranges.md)
+ [跟踪并设置调优作业的完成标准](automatic-model-tuning-progress.md)
+ [使用超参数优化调整多个算法以找到最佳模型](multiple-algorithm-hpo.md)
+ [示例：超参数调优作业](automatic-model-tuning-ex.md)
+ [提前停止训练作业](automatic-model-tuning-early-stopping.md)
+ [运行热启动超参数调优作业](automatic-model-tuning-warm-start.md)
+ [自动模型调优的资源限制](automatic-model-tuning-limits.md)
+ [超参数调优的最佳实践](automatic-model-tuning-considerations.md)