Lernstrahl

Kapitel 5. Hyperparameter-Optimierungmit Ray Tune

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 4 hast du gelernt, wie du verschiedene Experimente zum Verstärkungslernen erstellst und durchführst. Die Durchführung solcher Experimente kann teuer sein, sowohl was die Rechenressourcen als auch die Zeit angeht, die du für die Ausführung benötigst. Diese Kosten werden noch größer, wenn du dich anspruchsvolleren Aufgaben zuwendest, denn es ist unwahrscheinlich, dass du einfach einen Algorithmus aus der Schachtel nehmen und ihn ausführen kannst, um ein gutes Ergebnis zu erzielen. Mit anderen Worten: Irgendwann musst du die Hyperparameter deiner Algorithmen abstimmen, um die besten Ergebnisse zu erzielen. Wie wir in diesem Kapitel sehen werden, ist das Abstimmen von Machine-Learning-Modellen schwierig, aber Ray Tune ist eine ausgezeichnete Wahl, um dir bei dieser Aufgabe zu helfen.

Ray Tune ist ein leistungsfähiges Werkzeug für die Hyperparameter-Optimierung (HPO).Es arbeitet nicht nur standardmäßig verteilt (und funktioniert in jeder anderen Ray-Bibliothek, die in diesem Buch besprochen wird), sondern ist auch eine der funktionsreichsten HPO-Bibliotheken auf dem Markt. Darüber hinaus ist Tune mit einigen der bekanntesten HPO-Bibliotheken wie Hyperopt, Optuna und vielen anderen integriert. Das macht Tune zu einem idealen Kandidaten für verteilte HPO-Experimente, egal ob du von anderen Bibliotheken ...