本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用超參數
<a name="braket-jobs-hyperparameters"></a>

您可以在建立混合任務時定義演算法所需的超參數，例如學習率或步進大小。超參數值通常用於控制演算法的各個層面，並且通常可以進行調校以最佳化演算法的效能。若要在 Braket 混合任務中使用超參數，您需要將其名稱和值明確指定為字典。指定在搜尋最佳值集時要測試的超參數值。使用超參數的第一步是將超參數設定為字典並將其定義為字典，如下列程式碼所示。

```
from braket.devices import Devices

device_arn = Devices.Amazon.SV1

hyperparameters = {"shots": 1_000}
```

然後傳遞上述程式碼片段中定義的超參數，以便在您選擇的演算法中使用。若要執行下列程式碼範例，請在與超參數檔案相同的路徑中建立名為「src」的目錄。在 "src" 目錄內，新增 [0\$1Getting\$1started\$1papermill.ipynb](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/7_Running_notebooks_as_hybrid_jobs/src/0_Getting_started_papermill.ipynb)、[bookbook\$1runner.py](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/7_Running_notebooks_as_hybrid_jobs/src/notebook_runner.py) 和 [requirements.txt ](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/7_Running_notebooks_as_hybrid_jobs/src/requirements.txt)程式碼檔案。

```
import time
from braket.aws import AwsQuantumJob

job = AwsQuantumJob.create(
    device=device_arn,
    source_module="src",
    entry_point="src.notebook_runner:run_notebook",
    input_data="src/0_Getting_started_papermill.ipynb",
    hyperparameters=hyperparameters,
    job_name=f"papermill-job-demo-{int(time.time())}",
)

# Print job to record the ARN
print(job)
```

若要從混合任務指令碼*中*存取超參數，請參閱 [notebook\$1runner.py](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/7_Running_notebooks_as_hybrid_jobs/src/notebook_runner.py) python 檔案中的 `load_jobs_hyperparams()`函數。若要在混合任務指令碼*之外*存取超參數，請執行下列程式碼。

```
from braket.aws import AwsQuantumJob

# Get the job using the ARN
job_arn = "arn:aws:braket:us-east-1:111122223333:job/5eabb790-d3ff-47cc-98ed-b4025e9e296f"  # Replace with your job ARN
job = AwsQuantumJob(arn=job_arn)

# Access the hyperparameters
job_metadata = job.metadata()
hyperparameters = job_metadata.get("hyperParameters", {})
print(hyperparameters)
```

如需了解如何使用超參數的詳細資訊，請參閱 [Amazon Braket 混合任務教學中的 QAOA 和 Amazon Braket 混合任務以及 PennyLane](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/2_Using_PennyLane_with_Braket_Hybrid_Jobs/Using_PennyLane_with_Braket_Hybrid_Jobs.ipynb) 和 Quantum 機器學習。 [ Amazon Braket ](https://github.com/amazon-braket/amazon-braket-examples/blob/main/examples/hybrid_jobs/1_Quantum_machine_learning_in_Amazon_Braket_Hybrid_Jobs/Quantum_machine_learning_in_Amazon_Braket_Hybrid_Jobs.ipynb)