Usar um trabalho de varredura para ajuste de hiperparâmetro

• 8 minutos

No Azure Machine Learning, você pode ajustar os hiperparâmetros executando um trabalho de varredura.

Criar um script de treinamento para ajuste de hiperparâmetro

Para executar um trabalho de varredura, é necessário criar um script de treinamento exatamente como você faria para qualquer outro trabalho de treinamento, exceto pelo fato de que o script deve:

• Incluir um argumento para cada hiperparâmetro que você deseja variar.
• Registrar a métrica de desempenho de destino com MLflow. Uma métrica registrada em log permite que o trabalho de varredura avalie o desempenho das avaliações iniciadas e identifique a que produz o modelo de melhor desempenho.

Por exemplo, o script de exemplo a seguir treina um modelo de regressão logística usando um argumento --regularization para definir o hiperparâmetro de taxa de regularização e registra a métrica de precisão com o nome Accuracy:

import argparse
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
import mlflow

# get regularization hyperparameter
parser = argparse.ArgumentParser()
parser.add_argument('--regularization', type=float, dest='reg_rate', default=0.01)
args = parser.parse_args()
reg = args.reg_rate

# load the training dataset
data = pd.read_csv("data.csv")

# separate features and labels, and split for training/validatiom
X = data[['feature1','feature2','feature3','feature4']].values
y = data['label'].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30)

# train a logistic regression model with the reg hyperparameter
model = LogisticRegression(C=1/reg, solver="liblinear").fit(X_train, y_train)

# calculate and log accuracy
y_hat = model.predict(X_test)
acc = np.average(y_hat == y_test)
mlflow.log_metric("Accuracy", acc)

Configurar e executar um trabalho de varredura

Para preparar o trabalho de varredura, primeiro você deve criar um trabalho de comando base que especifique qual script executar e defina os parâmetros usados pelo script:

from azure.ai.ml import command

# configure command job as base
job = command(
    code="./src",
    command="python train.py --regularization ${{inputs.reg_rate}}",
    inputs={
        "reg_rate": 0.01,
    },
    environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu@latest",
    compute="aml-cluster",
    )

Em seguida, você pode substituir os parâmetros de entrada pelo espaço de pesquisa:

from azure.ai.ml.sweep import Choice

command_job_for_sweep = job(
    reg_rate=Choice(values=[0.01, 0.1, 1]),
)

Por fim, chame sweep() em seu trabalho de comando para varrer o espaço de pesquisa:

from azure.ai.ml import MLClient

# apply the sweep parameter to obtain the sweep_job
sweep_job = command_job_for_sweep.sweep(
    compute="aml-cluster",
    sampling_algorithm="grid",
    primary_metric="Accuracy",
    goal="Maximize",
)

# set the name of the sweep job experiment
sweep_job.experiment_name="sweep-example"

# define the limits for this sweep
sweep_job.set_limits(max_total_trials=4, max_concurrent_trials=2, timeout=7200)

# submit the sweep
returned_sweep_job = ml_client.create_or_update(sweep_job)

Monitorar e revisar trabalhos de varredura

Você pode monitorar trabalhos de varredura no Estúdio do Azure Machine Learning. O trabalho de varredura iniciará avaliações para cada combinação de hiperparâmetro a ser testada. Para cada avaliação, você pode examinar todas as métricas registradas.

Além disso, você pode avaliar e comparar modelos visualizando as avaliações no estúdio. Você pode ajustar cada gráfico para mostrar e comparar os valores e as métricas do hiperparâmetro para cada avaliação.