标签: hyperparameters

在构建机器学习模型时,是否可以使用不可训练的参数？或者这会在模型中产生错误吗？我对实际上不可训练的参数是什么以及如何基于此修复模型感到困惑.

我正在通过脚本文件提交培训。以下是train.py脚本的内容。Azure ML 将所有这些视为一次运行（而不是按照下面编码的每个 alpha 值运行），因为Run.get_context()返回相同的运行 ID。

火车.py

from azureml.opendatasets import Diabetes
from azureml.core import Run

from sklearn.model_selection import train_test_split
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
from sklearn.externals import joblib

import math
import os
import logging

# Load dataset
dataset = Diabetes.get_tabular_dataset()
print(dataset.take(1))

df = dataset.to_pandas_dataframe()
df.describe()

# Split X (independent variables) & Y (target variable)
x_df = df.dropna()      # Remove rows that have missing values
y_df = x_df.pop("Y")    # Y is the label/target variable …

我根据文档使用 GPyTorch 回归器。

我想为 RBF 内核中的“lengthscale”超参数设置一个初始值。

我想设置一个常量作为“lengthscale”的初始值（类似于我们在 scikit-learn 高斯过程回归器中可以做的）。

如果您有任何想法，请告诉我。

使用 SageMaker python SDK，我创建了一个超参数调整作业，它并行运行许多作业以搜索最佳 HP 值。

作业完成后，我得到了最好的训练作业名称，字符串“作业...”。我找到了以下有关如何使用 AWS-CLI 或 http 请求描述作业的文章。

有没有办法使用 python SageMaker SDK 来避免向 AWS 发出经过身份验证的请求的复杂性？