Preparándose para actualizar Watson Machine Learning
Si ha instalado previamente el Acelerador ' Watson Machine Learning ', asegúrese de leer lo siguiente antes de actualizar ' Watson Machine Learning.
El servicio Watson Machine Learning Accelerator ya no está disponible. Tras la actualización, algunas funciones siguen siendo compatibles.
| Característica | |
|---|---|
| Creación de modelos mediante la API de aprendizaje profundo ( WML ) o el generador de experimentos de aprendizaje profundo | Admitidos |
| Entrenamiento de aprendizaje profundo con Deep learning experiment builder | Admitidos |
| Formación en aprendizaje profundo (formación única, distribuida y elástica distribuida) | Admitidos |
| Optimización de hiperparámetros (HPO) y ajuste (búsqueda de hiperparámetros) | Admitidos |
| Complementos de búsqueda de hiperparámetros integrados | Admitidos |
Línea de comandos ' dlicm ' y ' dlim' del Acelerador de Watson Machine Learning nativo |
No soportado |
| Acelerador de Watson Machine Learning inferencia distribuida elástica (EDI) | No soportado |
| Copia de seguridad y restauración de Watson Machine Learning Accelerator | No soportado |
| Importación y exportación de conjuntos de datos Watson Machine Learning Accelerator a Cloud Pak for Data 5.1 | No soportado |
Nota:
- Las funciones solo son compatibles con el hardware de x86_64.
- La búsqueda de hiperparámetros no está disponible en el creador de experimentos de aprendizaje profundo. Utilice la Watson Machine Learning API para la búsqueda de hiperparámetros.
- Se admiten los siguientes algoritmos de búsqueda de hiperparámetros integrados: aleatorio, hiperbanda, estimador de Parzen con estructura de árbol (TPE). ExperimentGridSearch no es compatible.
- Si anteriormente utilizaba Watson Machine Learning Accelerator 4.8, tendrá que recrear y volver a entrenar a sus modelos para asegurarse de que utilizan marcos de aprendizaje profundo compatibles. Para obtener más información, consulte Especificaciones de software compatibles.
- Si ha entrenado previamente un modelo utilizando Watson Machine Learning5.0.x, puede implementar el modelo entrenado en Watson Machine Learning para puntuar. Para obtener más información sobre la puntuación, consulte Implementación de la creación de recursos de aprendizaje.
Antes de actualizar
Si ha instalado previamente el servicio Acelerador ' Watson Machine Learning ', deberá desinstalar Acelerador ' Watson Machine Learning ' antes de actualizar. Antes de desinstalar el Acelerador ' Watson Machine Learning ', asegúrese de hacer una copia de seguridad de las definiciones de modelos que piense recrear en ' Watson Machine Learning.
- Hacer una copia de seguridad de las definiciones de los modelos y los datos de usuario
- Antes de desinstalar Watson Machine Learning Accelerator, asegúrese de hacer una copia de seguridad de las definiciones de modelo y los datos de usuario que planea recrear en Watson Machine Learning. Para determinar la ubicación de la copia de seguridad de las definiciones de su modelo u obtener su modelo entrenado, consulte Determinar el punto de montaje para experimentos de aprendizaje profundo. También puede descargar los resultados de la formación utilizando la API de Accelerator de Watson Machine Learning.
- Desinstalar Watson Machine Learning Accelerator
- Para desinstalar una versión anterior de Watson Machine Learning Accelerator, consulte:
Después de actualizar
A continuación, se incluyen algunas consideraciones adicionales para después de la actualización.
Ajuste de hiperparámetros
Anteriormente, si utilizaba la Watson Machine Learning API del acelerador para el ajuste de hiperparámetros. Ahora tendrá que utilizar la Watson Machine Learning API.
Puede utilizar la Watson Machine Learning API para crear un experimento de hiperparámetros. Asegúrese de crear la definición del modelo de experimento utilizando la sección "
hyper_parameters_optimization " en training_references:training_references=[
{
"model_definition": {
"command": model_cmd,
"hardware_spec": hardware_spec,
"id": model_definition_id,
"parameters": parameters,
"software_spec": software_spec
},
"hyper_parameters_optimization": hyper_parameters_optimization
}
]
Ejemplo con un algoritmo de búsqueda aleatoria:
"hyper_parameters_optimization" : {
"hyper_parameters" : {
"learning_rate" : {
"max_value" : 0.1,
"min_value" : 0,
"step" : 0.002
}
},
"method" : {
"name" : "random",
"parameters" : {
"max_parallel_job_num" : 1,
"max_run_time" : -1,
"maximize_or_minimize" : "minimize",
"method_init" : {
"random_seed" : 15
},
"num_optimizer_steps" : 2,
"objective" : "loss"
}
}
},Ejemplo con un algoritmo de búsqueda Hyperband:
"hyper_parameters_optimization" : {
"hyper_parameters" : {
"learning_rate" : {
"max_value" : 0.1,
"min_value" : 0,
"step" : 0.002
}
},
"method" : {
"name" : "hyperband",
"parameters" : {
"max_parallel_job_num" : 1,
"max_run_time" : -1,
"maximize_or_minimize" : "minimize",
"method_init" : {
"fidelity" : {
"name" : "epoch",
"value" : 10
},
"random_seed" : 15
},
"num_optimizer_steps" : 2,
"objective" : "loss"
}
}
},Ejemplo de uso de un algoritmo de búsqueda del estimador de Parzen con estructura de árbol:
"hyper_parameters_optimization" : {
"hyper_parameters" : {
"learning_rate" : {
"max_value" : 0.1,
"min_value" : 0,
"step" : 0.002
}
},
"method" : {
"name" : "tpe",
"parameters" : {
"max_parallel_job_num" : 1,
"max_run_time" : -1,
"maximize_or_minimize" : "minimize",
"method_init" : {
"random_seed" : 15
},
"num_optimizer_steps" : 2,
"objective" : "loss"
}
}
},