23、高级训练技术：管理式按需实例训练与自动模型调优

高级训练技术：管理式按需实例训练与自动模型调优

在机器学习模型训练过程中，成本和超参数优化是两个关键问题。本文将介绍管理式按需实例训练和自动模型调优这两种技术，帮助你在降低成本的同时提高模型性能。

管理式按需实例训练与目标检测

从按需训练切换到管理式按需实例训练非常简单，只需设置训练作业的最大持续时间，包括等待按需实例可用的时间。以下是一个示例代码：

od = sagemaker.estimator.Estimator(
    container,
    role,
    instance_count=2,
    instance_type='ml.p3.2xlarge',
    use_spot_instances=True,
    max_run=7200,  # 2小时
    max_wait=36000,  # +8小时
    output_path=s3_output_location)

训练完成后，训练日志会显示节省的成本。例如，本次训练节省了70%的费用，不仅比按需训练便宜，而且比原来的单实例作业成本还低一半。

使用Keras进行管理式按需实例训练和检查点保存

我们可以使用Keras构建一个简单的CNN来对Fashion-MNIST数据集进行分类。以下是具体步骤：
1. Keras脚本编写 ：
- 使用脚本模式存储数据集路径和超参数。
- 加载数据集并将像素值归一化到[0,1]范围，对类标签进行独热编码。
- 构建Sequentia