有哪些选项可用于在 AutoML Tables 中设置培训预算？
在 AutoML Tables 中设置训练预算涉及多个选项，允许用户控制分配给训练过程的资源量。 这些选项旨在优化模型性能和成本之间的权衡，使用户能够在预算限制内达到所需的精度水平。
可用于设置训练预算的第一个选项是“budget_milli_node_hours”参数。 该参数表示用于训练的计算资源总量，以毫节点小时为单位。 它决定了培训过程的最长持续时间并间接影响成本。 通过调整此参数，用户可以指定模型精度和成本之间所需的权衡。 较高的值将为训练过程分配更多的资源，可能会导致更高的准确性，但成本也会更高。
另一个选项是“预算”参数，它代表用户愿意承担的最大培训成本。 该参数允许用户对训练成本设置硬性限制，确保分配的资源不超过指定的预算。 AutoML Tables 服务将自动调整训练过程以适应指定的预算，优化资源分配以在给定的约束条件下实现最佳的准确性。
除了这些选项之外，AutoML Tables 还提供使用“model_evaluation_count”参数设置模型评估的最小数量的功能。 该参数决定了模型在训练过程中评估的最小次数。 通过设置更高的值，用户可以确保模型得到彻底的评估和微调，从而有可能获得更高的准确性。 但需要注意的是，增加评估次数也会增加总体培训成本。
此外，AutoML Tables 提供了通过“optimization_objective”参数指定所需优化目标的选项。 该参数允许用户定义他们想要在训练过程中优化的指标，例如准确度、精确度、召回率或 F1 分数。 通过设置优化目标，用户可以指导培训过程在分配的预算内实现所需的性能目标。
最后，AutoML Tables 提供了在初始训练开始后调整训练预算的灵活性。 用户可以监控训练进度并根据中间结果做出明智的决策。 如果模型在分配的预算内未达到所需的精度，用户可以考虑增加训练预算以分配更多资源并提高模型的性能。
总而言之，可用于在 AutoML Tables 中设置训练预算的选项包括“budget_milli_node_hours”参数、“budget”参数、“model_evaluation_count”参数、“optimization_objective”参数以及在训练过程中调整预算的功能。 这些选项使用户能够灵活地控制资源分配并优化模型性能和成本之间的权衡。
最近的其他问题和解答 AutoML表:
- AutoML Tables是免费的吗？
- 如何在 Vertex AI 和 AutoML 表之间转换？
- AutoML Tables 为何停产？其继任产品是什么？
- 用户如何部署模型并在 AutoML Tables 中获得预测？
- AutoML 表中的“分析”选项卡提供哪些信息？
- 用户如何将训练数据导入 AutoML Tables？
- AutoML Tables 可以处理哪些不同的数据类型？