Специалист по машинному обучению имеет пользовательский образ контейнера, используемый для обучения классификатора изображений в Amazon SageMaker, и хочет сравнить результаты оптимизации гиперпараметров (HPO) из этого пользовательского образа с результатами встроенного алгоритма классификации изображений SageMaker. Все эксперименты и задания HPO должны запускаться из скриптов внутри ноутбуков SageMaker Studio. Какой подход позволит специалисту сделать это за наименьшее время?

Правильный ответ позволяет наиболее эффективно сравнить результаты HPO. Для пользовательского контейнера SageMaker Experiments — это идеальный инструмент для запуска и отслеживания нескольких заданий обучения, что является формой ручного HPO, где вы можете управлять параметрами каждого запуска. Для встроенного алгоритма SageMaker Automatic Model Tuning (AMT) — это наиболее быстрый и управляемый способ выполнения HPO, так как он автоматизирует процесс поиска оптимальных гиперпараметров. Сочетание этих двух подходов обеспечивает гибкость для пользовательского контейнера и эффективность для встроенного алгоритма. Неправильные варианты: Написание пользовательского скрипта HPO в локальном режиме для пользовательского контейнера займет больше времени и ресурсов, чем использование SageMaker Experiments, который предназначен для управления экспериментами в облаке. SageMaker Autopilot не поддерживает пользовательские контейнеры напрямую для HPO, что делает этот вариант неприменимым для первой части задачи. Использование SageMaker Automatic Model Tuning для одновременной настройки пользовательского контейнера и встроенного алгоритма невозможно, так как AMT предназначен для настройки одного типа модели за раз.